从手工设计到基于深度学习的癌症放射组学：挑战与机遇
计算机视觉与模式识别
2019-07-24 v3
摘要
信号处理与机器学习的最新进展，加之医院电子病历保存的发展以及通过内部/外部通信系统可获得的大量医学图像，导致近期对“放射组学（Radiomics）”的兴趣显著激增。放射组学是一个新兴且相对较新的研究领域，指从医学图像中提取半定量和/或定量特征，以开发预测和/或预后模型，并有望在不久的将来成为个性化治疗中图像衍生信息整合的关键组成部分。传统的放射组学工作流程通常基于从分割的兴趣区域中提取预设计特征（也称为手工设计或工程化特征）。然而，深度学习的近期进展引发了向基于深度学习的放射组学（也称为发现放射组学）的趋势。考虑到这两种方法的优势，也开发了混合解决方案以挖掘多数据源的潜力。考虑到放射组学的多种方法，进一步改进需要全面且集成的框架，这正是本文的目标。本手稿通过讨论放射组学背景下最先进的信号处理解决方案，提供了放射组学独特的跨学科视角。
引用
@article{arxiv.1808.07954,
title = {From Hand-Crafted to Deep Learning-based Cancer Radiomics: Challenges and Opportunities},
author = {Parnian Afshar and Arash Mohammadi and Konstantinos N. Plataniotis and Anastasia Oikonomou and Habib Benali},
journal= {arXiv preprint arXiv:1808.07954},
year = {2019}
}