MLC 在 HECKTOR 2022 上的工作：利用机器学习分析头颈肿瘤病例时训练数据的效果与重要性
图像与视频处理
2022-12-01 v1 计算机视觉与模式识别
机器学习
摘要
头颈癌是全球第五常见癌症，近来已有人提出分析正电子发射断层扫描（PET）与计算机断层扫描（CT）图像以识别预后患者。尽管结果看似前景良好，仍需更多研究以进一步验证并改进结果。本文介绍 MLC 团队在 MICCAI 2022 举办的 HECKTOR 2022 大挑战赛中所做工作。对于任务 1（自动分割任务），与以往使用 3D 分割的方案不同，我们的方法尽可能简化，采用 2D 模型，将每一切片作为独立图像处理。此外，我们有兴趣理解不同模态如何影响结果。我们提出两种方案：一种仅用 CT 扫描进行预测，另一种联合使用 CT 与 PET 扫描。对于任务 2（无复发生存预测），我们首先提出两种方案，一种仅使用患者数据，另一种将患者数据与图像模型分割结果结合。对于前两种方案的预测，我们使用随机森林（Random Forest）。在第三种方案中，我们使用 XGBoost 结合患者数据与图像数据。肾功能低下可能恶化癌症预后，因此在该方案中我们估算患者肾功能并将其作为特征。总体而言，我们得出结论：我们的简单方法未能与排名最高的提交方案竞争，但仍获得了合理良好的分数。我们也对结合不同模态如何影响分割与预测获得了有趣见解。
引用
@article{arxiv.2211.16834,
title = {MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning},
author = {Vajira Thambawita and Andrea M. Storås and Steven A. Hicks and Pål Halvorsen and Michael A. Riegler},
journal= {arXiv preprint arXiv:2211.16834},
year = {2022}
}
备注
Submitted to https://hecktor.grand-challenge.org/