用于人类生存预测的深度学习心脏运动分析
机器学习
2019-02-18 v1 计算机视觉与模式识别
机器学习
摘要
运动分析用于计算机视觉中以理解图像序列中运动物体的行为。优化对动态生物系统的解释需要准确而精确的运动追踪，以及高维运动轨迹的高效表示，以便将其用于预测任务。在此，我们使用通过心脏磁共振成像获取的心脏图像序列，利用在解剖形状先验上训练的全卷积网络创建时间分辨的三维分割。该稠密运动模型作为监督式去噪自编码器（4Dsurvival）的输入，该混合网络由一个自编码器组成，自编码器在观测结局数据上学习特定任务的潜码表示，从而产生针对生存预测优化的潜表示。为处理右删失生存结局，我们的网络使用了 Cox 偏似然损失函数。在一项包含 302 名患者的研究中，我们模型的预测准确度（以 Harrell's C 指数衡量）显著更高（p < .0001），模型 C=0.73（95% CI: 0.68 - 0.78），高于人类基准 C=0.59（95% CI: 0.53 - 0.65）。本工作展示了如何利用高维医学图像数据的复杂计算机视觉任务高效预测人类生存。
引用
@article{arxiv.1810.03382,
title = {Deep learning cardiac motion analysis for human survival prediction},
author = {Ghalib A. Bello and Timothy J. W. Dawes and Jinming Duan and Carlo Biffi and Antonio de Marvao and Luke S. G. E. Howard and J. Simon R. Gibbs and Martin R. Wilkins and Stuart A. Cook and Daniel Rueckert and Declan P. O'Regan},
journal= {arXiv preprint arXiv:1810.03382},
year = {2019}
}