基于时空超声心动图深度学习的事件时间预测模拟
计算机视觉与模式识别
2021-03-04 v1
摘要
将事件时间预测方法与诊断成像模态相结合具有相当重要的意义，因为准确的生存估计需要考量观测期内个体的删失情况。通过用神经网络扩展 Cox 比例风险模型，已开发出新的事件时间预测方法。在本文中，为探索这些方法应用于超声心动图视频深度学习时的可行性，我们利用包含超过 10,000 例超声心动图的 Stanford EchoNet-Dynamic 数据集，并基于专家标注的射血分数读数生成模拟生存数据集。通过仅在模拟生存结局上训练，我们表明时空卷积神经网络能产生准确的生存估计。
引用
@article{arxiv.2103.02583,
title = {Simulating time to event prediction with spatiotemporal echocardiography deep learning},
author = {Rohan Shad and Nicolas Quach and Robyn Fong and Patpilai Kasinpila and Cayley Bowles and Kate M. Callon and Michelle C. Li and Jeffrey Teuteberg and John P. Cunningham and Curtis P. Langlotz and William Hiesinger},
journal= {arXiv preprint arXiv:2103.02583},
year = {2021}
}
备注
9 pages, 5 figures