OncoNet：用于自动化FDG PET/CT纵向检查间癌症治疗应答评估的弱监督孪生网络
图像与视频处理
2021-08-05 v1 计算机视觉与模式识别
摘要
FDG PET/CT成像是一种资源密集型检查，对恶性疾病管理至关重要，尤其在疗程中的纵向评估方面。自动化纵向分析的方法面临诸多挑战，包括缺乏可用的纵向数据集、处理复杂的大型多模态成像检查，以及传统监督机器学习所需的详尽标注。本工作中我们开发了OncoNet，一种新颖的机器学习算法，通过关联放射学报告中的标准摄取值（SUVmax）进行弱监督，从1,954对连续FDG PET/CT检查中评估治疗应答。OncoNet在内部与外部机构测试集上判定扫描间变化的AUROC分别为0.86与0.84，同时与临床评分系统高度一致（kappa分数0.8）。我们还为更广泛的医疗健康机器学习研究界整理了一个含1,954对FDG PET/CT检查、专为应答评估设计的数据集。利用OncoNet从FDG PET/CT自动评估影像应答，可为临床医生提供宝贵工具，以快速且一致地解读纵向多模态成像检查中的随时间变化。
引用
@article{arxiv.2108.02016,
title = {OncoNet: Weakly Supervised Siamese Network to automate cancer treatment response assessment between longitudinal FDG PET/CT examinations},
author = {Anirudh Joshi and Sabri Eyuboglu and Shih-Cheng Huang and Jared Dunnmon and Arjun Soin and Guido Davidzon and Akshay Chaudhari and Matthew P Lungren},
journal= {arXiv preprint arXiv:2108.02016},
year = {2021}
}