基于图卷积网络的 Percoll 梯度图像镰状细胞病严重程度预测
图像与视频处理
2021-09-14 v1 计算机视觉与模式识别
摘要
镰状细胞病（SCD）是一种严重的遗传性血红蛋白疾病，会导致红细胞过早破坏。由于尽管具有共同的遗传病因，SCD 表现存在广泛差异的原因仍不清楚，在临床常规中评估疾病严重程度是一项具有挑战性的任务。识别能够预测严重程度分级的生物标志物对于预后和患者治疗反应评估十分重要。通过 Percoll 密度梯度分离检测红细胞（RBC）密度的变化可作为一种此类标志物，因为它能够分辨细胞间差异并追踪最易受损、易破坏和发生血管闭塞的致密细胞。对 Percoll 梯度中 RBC 分布所获图像进行量化并解释结果，是建立该方法的重要前提。在此，我们提出一种结合图卷积网络、卷积神经网络、快速傅里叶变换和递归特征消除的新方法，直接从 Percoll 图像预测 SCD 严重程度。两个重要但昂贵的实验室血液检测参数测量值被用于训练图卷积网络。为使模型在预测时独立于此类检测，这两个参数由神经网络直接从 Percoll 图像估算。在 216 名受试者的队列中，我们取得的预测性能仅略低于使用真实实验室测量值的方法。我们提出的方法是首个针对 SCD 严重程度预测这一困难任务的计算方案。该两步法仅依赖廉价且简单的血液分析工具，在医疗仪器和医生资源有限的不发达国家，可对患者的生存产生显著影响。
引用
@article{arxiv.2109.05372,
title = {Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks},
author = {Ario Sadafi and Asya Makhro and Leonid Livshits and Nassir Navab and Anna Bogdanova and Shadi Albarqouni and Carsten Marr},
journal= {arXiv preprint arXiv:2109.05372},
year = {2021}
}
备注
Accepted for publication at MICCAI 2021 workshop on aFfordable healthcare and AI for Resource diverse global health (FAIR)