面向头颈癌患者生存预测的肿瘤图学习
图像与视频处理
2023-05-17 v2 计算机视觉与模式识别
机器学习
摘要
2020年全球近百万新发病例，头颈癌是一种致命且常见的恶性肿瘤。由于多发病灶及患者间预后差异，此类癌症的决策与治疗面临挑战。因此，自动分割与预后估计方法可帮助确保每位患者获得最有效治疗。本文提出一个在任意视场(FoV)配准PET和CT扫描上执行这些功能的框架，从而以 \texttt{VokCow} 团队身份处理HECKTOR 2022挑战的任务1和任务2。该方法含三个阶段：定位、分割与生存预测。首先，将任意FoV扫描裁剪至头颈区域，训练u形卷积神经网络(CNN)分割感兴趣区域。然后，利用所得区域，将另一CNN与支持向量机分类器结合获得肿瘤语义分割，在任务1中达到0.57的聚合Dice分数。最后，生存预测采用Weibull加速失效时间模型与深度学习方法集成处理。除患者健康记录数据外，我们探索通过图卷积处理以肿瘤为中心的图块图是否能改善预后预测。测试集一致指数达0.64，在该任务挑战排行榜排名第6。
引用
@article{arxiv.2304.08106,
title = {Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients},
author = {Angel Victor Juanco Muller and Joao F. C. Mota and Keith A. Goatman and Corne Hoogendoorn},
journal= {arXiv preprint arXiv:2304.08106},
year = {2023}
}
备注
Published by Springer as part of the HECKTOR 2022 challenge proccedings https://link.springer.com/chapter/10.1007/978-3-031-27420-6_18