不完整数据下的肺癌风险估计：联合缺失填补视角
图像与视频处理
2021-07-27 v1 计算机视觉与模式识别
机器学习
摘要
多模态数据在临床预测中提供互补信息，但临床队列中的缺失数据限制了多模态学习可用的受试者数量。当 1）缺失数据跨越异质模态（如图像与非图像）；或 2）某一模态大量缺失时，现有方法的多模态缺失填补颇具挑战。本文通过建模多模态数据的联合分布来解决缺失数据填补问题。受部分双向生成对抗网络(PBiGAN)启发，我们提出一种新的条件 PBiGAN（C-PBiGAN）方法，结合来自另一模态的条件知识来填补某一模态。具体而言，C-PBiGAN 在缺失填补框架中引入条件潜空间，联合编码可用的多模态数据，并对填补数据施加类别正则化损失以恢复判别信息。据我们所知，它是首个通过建模图像与非图像数据联合分布来处理多模态缺失填补的生成对抗模型。我们在国家肺部筛查试验(NLST)数据集与一个外部临床验证队列上验证了模型。所提 C-PBiGAN 在肺癌风险估计上相比代表性填补方法取得显著提升（例如，与 PBiGAN 相比，NLST 中 AUC 值提升 +2.9%，院内数据集提升 +4.3%，p0.05）。
引用
@article{arxiv.2107.11882,
title = {Lung Cancer Risk Estimation with Incomplete Data: A Joint Missing Imputation Perspective},
author = {Riqiang Gao and Yucheng Tang and Kaiwen Xu and Ho Hin Lee and Steve Deppen and Kim Sandler and Pierre Massion and Thomas A. Lasko and Yuankai Huo and Bennett A. Landman},
journal= {arXiv preprint arXiv:2107.11882},
year = {2021}
}
备注
Early Accepted by MICCAI 2021. Traveling Award