基于生物标志物、体积放射组学与三维CNN的肺结节分类
图像与视频处理
2020-10-23 v1 计算机视觉与模式识别
机器学习
摘要
我们提出了一种混合算法来估计肺结节恶性程度，该算法将放射科医师标注的影像生物标志物与CT扫描的图像分类相结合。我们的算法采用三维卷积神经网络（CNN）以及随机森林，以将CT影像与生物标志物标注和体积放射组学特征相结合。我们分析并比较了仅使用影像、仅使用生物标志物、影像+生物标志物组合、影像+体积放射组学特征组合，以及最终的影像+生物标志物+体积特征组合等算法在分类结节恶性可疑程度上的性能。我们使用美国国家癌症研究所（NCI）肺图像数据库联盟（LIDC）IDRI数据集来训练和评估该分类任务。我们表明，通过K近邻（KNN）的半监督学习可以增加LIDC-IDRI的可用训练样本量，从而进一步提高大多数被测模型的恶性估计准确率，但如果将CNN图像分类和体积特征与描述性生物标志物结合，使用KNN半监督学习并无显著改进。出乎意料的是，我们还表明，仅使用图像生物标志物的模型比将生物标志物与体积放射组学、三维CNN和半监督学习相结合的模型更准确。我们讨论了这一结果可能受LIDC-IDRI中认知偏差影响的可能性，因为恶性估计与生物标志物由同一放射科医师小组记录，以及未来在部分研究参与者中纳入病理信息的工作。
引用
@article{arxiv.2010.11682,
title = {Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D CNNs},
author = {Kushal Mehta and Arshita Jain and Jayalakshmi Mangalagiri and Sumeet Menon and Phuong Nguyen and David R. Chapman},
journal= {arXiv preprint arXiv:2010.11682},
year = {2020}
}
备注
This paper has been submitted to the Journal of Digital Imaging (JDI 2020). The poster of this paper has received the 2nd prize for the Research Poster Award. Link: https://siim.org/page/20m_p_lung_node_malignancy