SurvivalNet：基于级联全卷积和3D卷积神经网络从扩散加权磁共振图像预测患者生存
计算机视觉与模式识别
2017-02-21 v1
摘要
肝细胞癌（HCC）恶性程度的自动非侵入性评估有可能大幅改善HCC患者的肿瘤治疗策略。本工作中，我们提出一种新颖的框架，从DWI图像中自动表征HCC病灶的恶性程度。我们分两步预测HCC恶性程度：第一步，利用级联全卷积神经网络（CFCN）自动分割HCC肿瘤病灶；随后，一个3D神经网络（SurvivalNet）根据HCC肿瘤分割结果预测HCC病灶的恶性程度。我们将该任务表述为一个分类问题，类别为“低风险”和“高风险”，分别由长于或短于中位生存期的生存时间表示。我们在31例HCC患者的DWI上评估了我们的方法。我们提出的框架实现了65%的端到端准确率，自动病灶分割的Dice系数为69%，基于专家标注的肿瘤恶性程度分类准确率为68%。我们将SurvivalNet与经典的手动设计特征（如直方图和Haralick）进行比较，实验表明SurvivalNet在HCC恶性程度分类中优于手动设计特征。基于我们提出的全自动框架的端到端肿瘤恶性程度评估与基于专家标注的评估具有高度显著性一致（p>0.95）。
引用
@article{arxiv.1702.05941,
title = {SurvivalNet: Predicting patient survival from diffusion weighted magnetic resonance images using cascaded fully convolutional and 3D convolutional neural networks},
author = {Patrick Ferdinand Christ and Florian Ettlinger and Georgios Kaissis and Sebastian Schlecht and Freba Ahmaddy and Felix Grün and Alexander Valentinitsch and Seyed-Ahmad Ahmadi and Rickmer Braren and Bjoern Menze},
journal= {arXiv preprint arXiv:1702.05941},
year = {2017}
}
备注
Accepted at IEEE ISBI 2017