肝肿瘤边界语义的序列学习及预后生物标志物挖掘
计算机视觉与模式识别
2021-03-10 v1
摘要
肿瘤（肝细胞癌，即HCC）的边界包含丰富的语义：包膜侵犯、可见性、光滑度、折叠和突出等。肿瘤边界上的包膜侵犯已被证明与预后指标微血管侵犯（MVI）临床相关。研究肿瘤边界语义具有巨大的临床价值。本文中，我们提出首个新颖的计算框架，将该任务解耦为两个组件：空间顶点定位和序列语义分类。（1）构建HCC肿瘤分割器用于肿瘤掩膜边界提取，随后通过极坐标变换以半径和角度表示边界。顶点生成器用于产生固定长度的边界顶点，其中顶点特征在相应空间位置处采样。（2）带有位置嵌入的采样深度顶点特征被映射到序列空间，并由多层感知机（MLP）解码以进行语义分类。在肿瘤包膜语义上的大量实验证明了我们框架的有效性。挖掘边界语义与MVI状态之间的相关性，证明了将该边界语义整合为有效HCC预后生物标志物的可行性。
引用
@article{arxiv.2103.05170,
title = {Sequential Learning on Liver Tumor Boundary Semantics and Prognostic Biomarker Mining},
author = {Jieneng Chen and Ke Yan and Yu-Dong Zhang and Youbao Tang and Xun Xu and Shuwen Sun and Qiuping Liu and Lingyun Huang and Jing Xiao and Alan L. Yuille and Ya Zhang and Le Lu},
journal= {arXiv preprint arXiv:2103.05170},
year = {2021}
}