基于深度卷积神经网络的直肠癌影像数据生存分析
计算机视觉与模式识别
2019-01-08 v1
摘要
近期的放射组学研究已见证深度学习技术在学习放射组学特征与融合多模态影像数据方面展现出有前景的性能。大多数现有的基于深度学习的放射组学研究在模式分类设定下构建预测模型，这并不适用于部分数据样本存在不完全观测的生存分析研究。为改进性能依赖于影像特征的现有生存分析技术，我们提出一种深度学习方法，通过在比例风险模型中使用深度卷积神经网络(CNNs)优化影像特征来构建生存回归模型。为使CNNs适用于尺寸各异的肿瘤，采用了空间金字塔池化策略。我们的方法已基于一个模拟影像数据集和一个接受局部晚期直肠癌治疗的直肠癌患者的FDG-PET/CT数据集进行了验证。与使用Cox比例风险模型和随机生存森林基于手工提取的放射组学特征构建的生存预测模型相比，我们的方法取得了具有竞争力的预测性能。
引用
@article{arxiv.1901.01449,
title = {Deep Convolutional Neural Networks for Imaging Data Based Survival Analysis of Rectal Cancer},
author = {Hongming Li and Pamela Boimel and James Janopaul-Naylor and Haoyu Zhong and Ying Xiao and Edgar Ben-Josef and Yong Fan},
journal= {arXiv preprint arXiv:1901.01449},
year = {2019}
}
备注
Accepted by ISBI 2019