深度学习与经典回归方法在脑肿瘤患者生存预测中的对比
计算机视觉与模式识别
2018-11-13 v1 机器学习
摘要
基于医学影像数据的深度学习回归任务已展现出有前景的结果。然而，与其他方法相比，其性能与数据集规模密切相关。在本研究中，我们评估了三维卷积神经网络（CNN）与使用手工特征的经典回归方法，用于高级别脑肿瘤患者的生存时间回归。所测试的回归用CNN显示出有前景但不稳定的结果。表现最佳的深度学习方法在训练集的留出样本上达到了51.5%的准确率。所有测试的深度学习方法均被使用30个放射组学特征的支持向量分类器（SVC）超越。所研究的特征包括强度、形状、位置和深度特征。提交至BraTS 2018生存预测挑战赛的方法是一组SVC的集成，其在BraTS 2018训练集上达到了72.2%的交叉验证准确率，在验证集上为57.1%，在测试集上为42.9%。结果表明，要使CNN模型从磁共振图像直接回归获得稳定性能，需要更多训练数据，并且非影像的临床患者信息与影像信息同样关键。
引用
@article{arxiv.1811.04907,
title = {Deep Learning versus Classical Regression for Brain Tumor Patient Survival Prediction},
author = {Yannick Suter and Alain Jungo and Michael Rebsamen and Urspeter Knecht and Evelyn Herrmann and Roland Wiest and Mauricio Reyes},
journal= {arXiv preprint arXiv:1811.04907},
year = {2018}
}
备注
Contribution to The International Multimodal Brain Tumor Segmentation (BraTS) Challenge 2018, survival prediction task