贝叶斯优化辅助的无监督学习用于MRI中肿瘤内分区及胶质母细胞瘤患者生存预测
图像与视频处理
2021-09-30 v2 机器学习
信号处理
摘要
胶质母细胞瘤在微结构和血管分布上高度异质，可能导致肿瘤区域差异及不同的治疗反应。尽管基于机器学习算法的影像组学在肿瘤亚区分割与生存预测中取得成功，但其模糊的中间过程与轨迹变化影响了鲁棒性，且模型弱可解释性对临床应用构成挑战。本文提出一种机器学习框架，半自动微调聚类算法并定量识别稳定亚区，以实现可靠的临床生存预测。超参数通过训练好的高斯过程(GP)代理模型的全局最小值经贝叶斯优化(BO)自动确定，从而缓解临床研究者调参困难。为增强生存预测模型的可解释性，我们引入肿瘤内异质性的先验知识，通过分割肿瘤亚区并提取亚区特征来实现。结果表明，训练好的GP代理模型的全局最小值可用作高效的次优超参数解。基于生理MRI分割的亚区可用于预测患者生存，从而增强机器学习模型的临床可解释性。
引用
@article{arxiv.2012.03115,
title = {Bayesian optimization assisted unsupervised learning for efficient intra-tumor partitioning in MRI and survival prediction for glioblastoma patients},
author = {Yifan Li and Chao Li and Stephen Price and Carola-Bibiane Schönlieb and Xi Chen},
journal= {arXiv preprint arXiv:2012.03115},
year = {2021}
}
备注
This is an older version of a paper titled "Adaptive unsupervised learning with better feature representation for intra-tumor partitioning and survival prediction in glioblastoma," and the two should be combined into one