用于3D PET图像结局预测的多任务多尺度学习
图像与视频处理
2022-03-02 v1 计算机视觉与模式识别
机器学习
摘要
背景与目标：预测肿瘤患者对治疗的反应和生存期是实现精准医疗的重要途径。为此，影像组学被提出作为一个研究领域，旨在使用图像而非侵入性方法。影像组学分析的第一步是病灶分割。然而，这项任务耗时且可能带有医生主观性。基于监督深度学习的自动化工具在辅助医生方面取得了巨大进步。然而，这些工具需要大量数据，而标注数据在医学领域仍然是一个主要问题，因为只有一小部分标注图像可用。方法：在这项工作中，我们提出了一种多任务学习框架来预测患者的生存期和治疗反应。我们表明，编码器可以利用多个任务来提取有意义且强大的特征，从而提高影像组学性能。我们还表明，辅助任务作为一种归纳偏置，使模型能够更好地泛化。结果：我们的模型在肺癌和食管癌的治疗反应和生存期预测上进行了测试和验证，ROC 曲线下面积分别达到 77% 和 71%，优于单任务学习方法。结论：我们证明，通过使用多任务学习方法，我们可以通过提取瘤内和瘤周区域的丰富信息来提升影像组学分析的性能。
引用
@article{arxiv.2203.00641,
title = {Multi-Task Multi-Scale Learning For Outcome Prediction in 3D PET Images},
author = {Amine Amyar and Romain Modzelewski and Pierre Vera and Vincent Morard and Su Ruan},
journal= {arXiv preprint arXiv:2203.00641},
year = {2022}
}