基于放射组学信息的深度学习用于左心房CT体数据的心房颤动亚型分类
计算机视觉与模式识别
2023-08-15 v1
摘要
心房颤动(AF)以快速、不规则的心跳为特征，并可导致心力衰竭等致命并发症。该疾病根据严重程度分为两种亚型，可通过CT体数据自动分类以筛查重症病例。然而，现有的分类方法依赖于通用的放射组学特征，这些特征对该任务而言可能并非最优，而深度学习方法往往会对高维体数据输入过拟合。在本工作中，我们提出一种新颖的放射组学信息驱动的深度学习方法来改进AF亚型分类，称为RIDL，它结合了深度学习与放射组学方法的优势。与大多数依赖朴素特征拼接的现有混合技术不同，我们观察到放射组学特征选择方法可作为信息先验，并提出用局部计算的放射组学特征来补充低层深度神经网络(DNN)特征。这减少了DNN过拟合，并能够更好地捕捉放射组学特征之间的局部差异。此外，我们通过设计一种新颖的特征去相关损失，确保深度特征与放射组学特征学习到互补信息。综上，我们的方法解决了深度学习与放射组学方法的局限性，并优于最先进的放射组学、深度学习和混合方法，在AF亚型分类任务中取得了86.9%的AUC。代码可在 https://github.com/xmed-lab/RIDL 获取。
引用
@article{arxiv.2308.06933,
title = {Radiomics-Informed Deep Learning for Classification of Atrial Fibrillation Sub-Types from Left-Atrium CT Volumes},
author = {Weihang Dai and Xiaomeng Li and Taihui Yu and Di Zhao and Jun Shen and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2308.06933},
year = {2023}
}
备注
Accepted by MICCAI23