通过可靠分类器融合构建多模态多分类器影像组学预测模型
机器学习
2017-10-09 v2 医学物理
机器学习
摘要
影像组学旨在从医学图像中提取并分析大量定量特征，在癌症分期、诊断和预后预测方面极具前景。然而，构建最优的影像组学预测模型仍需解决若干挑战。首先，当从单一成像模态提取的特征被盲目组合到单个预测模型中时，模型的预测性能可能会降低。其次，由于有多种不同类型的分类器可用于构建预测模型，为特定应用选择最优分类器仍然具有挑战性。在这项工作中，我们开发了多模态和多分类器影像组学预测模型，以解决当前可用模型中的上述问题。具体而言，提出了一种新的可靠分类器融合策略，以最优地组合来自不同模态和分类器的输出。在该策略中，首先训练模态特异性分类器，并开发了一种分析性证据推理（ER）规则来融合每个模态的输出分数，以构建最优预测模型。通过一个公开数据集和两个临床案例研究验证了模型性能。实验结果表明，所提出的基于ER规则的影像组学模型优于依赖单一分类器或简单使用不同模态组合特征的传统模型。
引用
@article{arxiv.1710.01614,
title = {Constructing multi-modality and multi-classifier radiomics predictive models through reliable classifier fusion},
author = {Zhiguo Zhou and Zhi-Jie Zhou and Hongxia Hao and Shulong Li and Xi Chen and You Zhang and Michael Folkert and Jing Wang},
journal= {arXiv preprint arXiv:1710.01614},
year = {2017}
}