无分割头颈癌PET/CT图像结果预测：基于多角度最大强度投影（MA-MIPs）的深度学习特征提取
医学物理
2024-12-05 v3 人工智能
摘要
我们提出一种新颖、简洁、有效的无分割方法，用于头颈癌（HNC）患者的结局预测。通过运用深度学习特征提取技术和多角度最大强度投影（MA-MIPs）应用于弗氢脱氧葡糖糖正位素断层扫描（FDG-PET）体积，我们的方法消除了对原发肿瘤和涉及的淋巴结等区域兴趣（ROI）手动分割的需求。相反，训练一个先进的目标检测模型，在PET体积上执行头颈部区域的自动裁剪。随后利用预训练的深度卷积神经网络主干网络，从裁剪后的PET体积在72个多角轴向旋转的MA-MIPs中提取深度特征。这些从PET体积多个投影视图中提取的深度特征随后被聚合和融合，用于对489名HNC患者的复发-free生存分析。我们的方法在目标数据集上优于用于复发-free生存分析的最佳-performing方法。通过规避FDG PET-CT图像上恶性肿瘤的手动描绘，我们的方法消除了对主观解释的依赖，显著提高了所提出生存分析方法的可重复性。
引用
@article{arxiv.2405.01756,
title = {Segmentation-Free Outcome Prediction from Head and Neck Cancer PET/CT Images: Deep Learning-Based Feature Extraction from Multi-Angle Maximum Intensity Projections (MA-MIPs)},
author = {Amirhosein Toosi and Isaac Shiri and Habib Zaidi and Arman Rahmim},
journal= {arXiv preprint arXiv:2405.01756},
year = {2024}
}
备注
15 pages, 4 tables, 4 figures. Published in Cancers 2024, Volume 16, Issue 14, page 2538