利用卷积块注意力与多模态数据融合增强头颈癌生存预测
计算机视觉与模式识别
2024-10-30 v1
摘要
准确的头颈癌（HNC）生存预测对于指导临床决策和优化治疗策略至关重要。传统模型，如Cox比例风险模型，虽被广泛使用，但其处理复杂多模态数据的能力有限。本文提出一种基于深度学习的方法，利用CT和PET成像模态来预测HNC患者的生存结局。我们的方法将特征提取与卷积块注意力模块（CBAM）以及一个多模态数据融合层相结合，该融合层整合成像数据以生成紧凑的特征表示。最终预测通过一个全参数离散时间生存模型实现，该模型允许灵活的风险函数，克服了传统生存模型的局限性。我们使用HECKTOR和HEAD-NECK-RADIOMICS-HN1数据集评估了我们的方法，证明了其相较于传统统计和机器学习模型的优越性能。结果表明，我们的深度学习模型显著提高了生存预测的准确性，为HNC的个性化治疗规划提供了一个强大的工具。
引用
@article{arxiv.2410.21831,
title = {Enhanced Survival Prediction in Head and Neck Cancer Using Convolutional Block Attention and Multimodal Data Fusion},
author = {Aiman Farooq and Utkarsh Sharma and Deepak Mishra},
journal= {arXiv preprint arXiv:2410.21831},
year = {2024}
}
备注
Accepted to [ACCV 2024 Workshop]