DRIMV_TSK：面向不完整多视图直肠癌数据的可解释手术评估模型
机器学习
2025-06-24 v1 计算机视觉与模式识别
摘要
对手术难度进行可靠评估可以提高直肠癌的治疗成功率，目前的评估方法基于临床数据。然而，随着技术的发展，可以收集到更多关于直肠癌的数据。同时，随着人工智能的发展，其在直肠癌治疗中的应用正成为可能。本文首先构建了一个多视图直肠癌数据集，以提供更全面的患者视图，包括高分辨率 MRI 图像视图、压脂 MRI 图像视图和临床数据视图。然后，考虑到在实际应用场景中难以获得广泛且完整的患者数据，提出了一种可解释的不完整多视图手术评估模型。具体而言，首先提出了一种双重表示不完整多视图学习模型，以提取视图间的公共信息和每个视图中的特定信息。在该模型中，将缺失视图填补集成到表示学习中，并引入二阶相似性约束以改善这两部分之间的协同学习。然后，基于填补的多视图数据和学习的双重表示，提出了一种基于 TSK 模糊系统的多视图手术评估模型。在所提出的模型中，构建了协同学习机制以探索视图间的一致信息，并引入 Shannon 熵以自适应调整视图权重。在 MVRC 数据集上，我们将其与几种先进算法进行了比较，DRIMV_TSK 取得了最佳结果。
引用
@article{arxiv.2506.17552,
title = {DRIMV_TSK: An Interpretable Surgical Evaluation Model for Incomplete Multi-View Rectal Cancer Data},
author = {Wei Zhang and Zi Wang and Hanwen Zhou and Zhaohong Deng and Weiping Ding and Yuxi Ge and Te Zhang and Yuanpeng Zhang and Kup-Sze Choi and Shitong Wang and Shudong Hu},
journal= {arXiv preprint arXiv:2506.17552},
year = {2025}
}