基于混合深度神经网络的LDCT图像全因死亡率预测
计算机视觉与模式识别
2018-10-22 v1
摘要
肺癌以其高发病率与高死亡率著称，对人类健康与福祉构成重大威胁。然而，同一人群亦对其他致命疾病（如心血管疾病）高风险。由于低剂量CT（LDCT）已被证明可显著提升肺癌诊断准确率，预测肺癌患者的全因死亡率以采取相应措施将对临床实践极有帮助。本文提出一种基于深度学习的方法，以胸部LDCT图像块与冠状动脉钙化风险评分为输入，直接预测肺癌受试者的死亡风险。所提方法称为混合风险网络（HyRiskNet），用于死亡风险预测，是一个利用混合影像特征而非完全依赖自动特征提取的端到端框架。我们的工作证明了利用深度学习技术从胸部LDCT图像预测肺癌全因死亡率的可行性。实验结果表明，所提HyRiskNet相较仅含图像输入的神经网络及其他传统半自动评分方法可实现更优性能。研究还表明，放射科医生定义的特征可很好地补充卷积神经网络以实现更全面的特征提取。
引用
@article{arxiv.1810.08503,
title = {Hybrid deep neural networks for all-cause Mortality Prediction from LDCT Images},
author = {Pingkun Yan and Hengtao Guo and Ge Wang and Ruben De Man and Mannudeep K. Kalra},
journal= {arXiv preprint arXiv:1810.08503},
year = {2018}
}
备注
IEEE conference format