基于合成病理先验的 CT 图像肺癌亚型分类
图像与视频处理
2024-05-20 v1 计算机视觉与模式识别
机器学习
摘要
肺癌病理亚型的准确诊断对后续治疗与预后管理具有重要意义。本文提出自生成混合特征网络（SGHF-Net），用于在计算机断层扫描（CT）图像上准确分类肺癌亚型。受同类研究的启发——即同一病例 CT 图像与其病理图像的图像模式间存在跨尺度关联，我们创新性地开发了病理特征合成模块（PFSM），通过深度神经网络定量映射跨模态关联，从而从 CT 图像推导出相应病理图像中包含的“金标准”信息。此外，我们设计了放射学特征提取模块（RFEM）直接获取 CT 图像信息，并在有效的特征融合框架下将其与病理先验整合，使整个分类模型生成更具指示性与特异性的病理相关特征，并最终输出更精准的预测。所提模型的优势在于能够基于单模态输入自生成包含多模态图像信息的混合特征。为评估模型的有效性、适应性与泛化能力，我们在大规模多中心数据集（即来自三家医院的 829 例）上进行了广泛实验，将我们的模型与一系列最先进（SOTA）分类模型进行比较。实验结果表明，我们的模型在肺癌亚型分类上具有优越性，在准确率（ACC）、曲线下面积（AUC）和 F1 分数方面均有显著提升。
引用
@article{arxiv.2308.04663,
title = {Classification of lung cancer subtypes on CT images with synthetic pathological priors},
author = {Wentao Zhu and Yuan Jin and Gege Ma and Geng Chen and Jan Egger and Shaoting Zhang and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2308.04663},
year = {2024}
}
备注
16 pages, 7 figures