基于风格流形外推的疾病进展图像预测
图像与视频处理
2022-04-11 v2 计算机视觉与模式识别
机器学习
摘要
疾病修饰性治疗旨在预防疾病的恶化与进展，而非仅缓解症状。遗憾的是，必要疗法的开发常因未能识别症状前疾病以及对疾病发展理解有限而受阻。我们通过对个体使用潜空间外推优化方法预测进展风险与形态的方法，为这一问题提供通用解决方案。为此，我们结合正则化生成对抗网络（GAN）与潜空间最近邻算法进行联合优化，以生成未来时间点的合理图像。我们在来自多中心纵向研究（骨关节炎倡议，OAI）的骨关节炎（OA）数据上评估了我们的方法。利用症状前基线数据，我们的模型具有生成能力，并在区分进展队列上显著优于端到端学习模型。我们与七位经验丰富的放射科医生进行了两项实验。当未提供合成随访 X 光片时，我们的模型优于全部七位放射科医生。在提供我们模型生成的合成随访片的情况下，所有阅片者区分进展者的特异度与敏感度分别从 提升至 ，从 提升至 。我们的结果开启了使用基于模型的形态与风险预测来推断未来疾病发生的新可能，正如 OA 实例所展示的那样。
引用
@article{arxiv.2111.11439,
title = {Image prediction of disease progression by style-based manifold extrapolation},
author = {Tianyu Han and Jakob Nikolas Kather and Federico Pedersoli and Markus Zimmermann and Sebastian Keil and Maximilian Schulze-Hagen and Marc Terwoelbeck and Peter Isfort and Christoph Haarburger and Fabian Kiessling and Volkmar Schulz and Christiane Kuhl and Sven Nebelung and Daniel Truhn},
journal= {arXiv preprint arXiv:2111.11439},
year = {2022}
}