用于肿瘤生长预测的卷积入侵与扩张网络
计算机视觉与模式识别
2018-01-26 v1
摘要
肿瘤生长与细胞入侵和占位效应相关，传统上由数学模型即反应-扩散方程与生物力学所表述。此类模型可基于临床测量进行个性化，以建立肿瘤生长的预测模型。本文中，我们探究使用深度卷积神经网络（ConvNets）直接表示并学习细胞入侵与占位效应，并预测肿瘤后续的累及区域的可能性。入侵网络从多模态影像数据衍生的代谢率、细胞密度与肿瘤边界相关信息中学习细胞入侵。扩张网络从肿瘤块的生长运动建模占位效应。我们还研究了融合入侵与扩张网络的不同架构，以利用它们之间的内在关联。我们的网络可轻易在群体数据上训练并个性化至目标患者，不像多数先前的数学建模方法无法纳入群体数据。在一个胰腺肿瘤数据集上的定量实验表明，所提方法在准确率和效率上均大幅优于最先进的基于数学模型的方法，且两个子网络所捕获的信息互补。
引用
@article{arxiv.1801.08468,
title = {Convolutional Invasion and Expansion Networks for Tumor Growth Prediction},
author = {Ling Zhang and Le Lu and Ronald M. Summers and Electron Kebebew and Jianhua Yao},
journal= {arXiv preprint arXiv:1801.08468},
year = {2018}
}