用于自动构建伪真实儿科腹部体模的机器学习
机器学习
2019-09-10 v1 医学物理
应用统计
机器学习
摘要
机器学习（ML）在许多医疗应用中被证明极为有益。在儿科肿瘤学中，研究治疗与晚期不良反应关系的回顾性研究仍依赖简单启发式方法。为评估放疗效应，治疗计划通常在体模（即患者解剖的虚拟替代物）上模拟。当前，体模依据合理但简单的人为设计准则构建，常导致缺乏个体化。我们提出一种结合影像与 ML 自动构建个体化体模的新方法。给定历史治疗患者的特征（仅有 2D 放射影像可用）以及带有器官分割与相对患者特征的 3D 计算机断层扫描（CT）影像数据库，我们的方法利用 ML 预测如何自动组装特定患者体模。在 60 例儿科患者腹部 CT 上的实验表明，就腹部及所考虑的两个器官（肝脏与脾脏）的位置和形状而言，我们的方法构建的体模比当前体模构建准则更具代表性。在考虑的若干 ML 算法中，基因池最优混合进化算法用于遗传编程（GP-GOMEA）被发现可给出性能最佳的模型，且这些模型是透明可解释的数学表达式。
引用
@article{arxiv.1909.03723,
title = {Machine learning for automatic construction of pseudo-realistic pediatric abdominal phantoms},
author = {Marco Virgolin and Ziyuan Wang and Tanja Alderliesten and Peter A. N. Bosman},
journal= {arXiv preprint arXiv:1909.03723},
year = {2019}
}
备注
Currently submitted to SPIE Medical Imaging journal