Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients

要約

2020 年には世界中で約 100 万人が新たに診断されており、頭頸部がんは致命的かつ一般的な悪性疾患です。
このようながんの意思決定と治療には、複数の場所に病変があり、患者ごとに結果が異なるため、課題が存在します。
したがって、自動化されたセグメンテーションと予後推定のアプローチは、各患者が最も効果的な治療を受けられるようにするのに役立ちます。
この論文では、任意の視野 (FoV) PET および CT 登録スキャンでこれらの機能を実行するためのフレームワークを提示し、チーム \texttt{VokCow} として HECKTOR 2022 チャレンジのタスク 1 と 2 に取り組みます。
この方法は、位置特定、セグメンテーション、生存予測の 3 つの段階で構成されます。
まず、任意の FoV によるスキャンが頭頸部領域に切り取られ、U 字型畳み込みニューラル ネットワーク (CNN) が対象領域をセグメント化するようにトレーニングされます。
次に、取得した領域を使用して、別の CNN をサポート ベクター マシン分類器と組み合わせて腫瘍のセマンティック セグメンテーションを取得します。その結果、タスク 1 での合計ダイス スコアは 0.57 になります。最後に、ワイブルのアンサンブルを使用して生存予測にアプローチします。
加速故障時間モデルと深層学習手法。
患者の健康記録データに加えて、グラフ畳み込みを介して腫瘍を中心とした画像パッチのグラフを処理することで予後予測を改善できるかどうかを調査します。
テスト セットでは 0.64 の一致指数が達成され、このタスクのチャレンジ リーダーボードで 6 位にランクされました。

要約(オリジナル)

With nearly one million new cases diagnosed worldwide in 2020, head \& neck cancer is a deadly and common malignity. There are challenges to decision making and treatment of such cancer, due to lesions in multiple locations and outcome variability between patients. Therefore, automated segmentation and prognosis estimation approaches can help ensure each patient gets the most effective treatment. This paper presents a framework to perform these functions on arbitrary field of view (FoV) PET and CT registered scans, thus approaching tasks 1 and 2 of the HECKTOR 2022 challenge as team \texttt{VokCow}. The method consists of three stages: localization, segmentation and survival prediction. First, the scans with arbitrary FoV are cropped to the head and neck region and a u-shaped convolutional neural network (CNN) is trained to segment the region of interest. Then, using the obtained regions, another CNN is combined with a support vector machine classifier to obtain the semantic segmentation of the tumours, which results in an aggregated Dice score of 0.57 in task 1. Finally, survival prediction is approached with an ensemble of Weibull accelerated failure times model and deep learning methods. In addition to patient health record data, we explore whether processing graphs of image patches centred at the tumours via graph convolutions can improve the prognostic predictions. A concordance index of 0.64 was achieved in the test set, ranking 6th in the challenge leaderboard for this task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google