基于知识的CT图像死亡率预测分析
计算机视觉与模式识别
2019-11-27 v2
摘要
近期研究强调了心血管疾病(CVD)与肺癌之间的高度相关性，且二者均与显著的发病率和死亡率相关。低剂量CT(LDCT)扫描显著提高了肺癌诊断的准确性，从而降低了癌症死亡。然而，肺癌与CVD之间的高度相关性尚未在死亡率预测中得到充分探索。本文引入一种基于知识的分析方法，使用深度卷积神经网络(CNN)进行全因死亡率预测。其基础方法结合了从不同尺度LDCT体积中提取的CNN结构图像特征，以及从定量测量获得的临床知识，以综合预测肺癌筛查受试者的死亡风险。所引入的方法在此称为基于知识的死亡率预测分析网络，即KAMP-Net。它构成了一个协作框架，利用影像特征与解剖信息，而非完全依赖自动特征提取。我们的工作证明了纳入定量临床测量以辅助CNN从胸部LDCT图像进行全因死亡率预测的可行性。本研究结果证实，放射科医生定义的特征是CNN实现更全面特征提取的重要补充。因此，所提出的KAMP-Net相较其他方法展现出更优性能。我们的代码见 https://github.com/DIAL-RPI/KAMP-Net。
引用
@article{arxiv.1902.07687,
title = {Knowledge-based Analysis for Mortality Prediction from CT Images},
author = {Hengtao Guo and Uwe Kruger and Ge Wang and Mannudeep K. Kalra and Pingkun Yan},
journal= {arXiv preprint arXiv:1902.07687},
year = {2019}
}
备注
Accepted for publication in IEEE Journal of Biomedical and Health Informatics (JBHI)