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

要約

タイトル：頭頸部がん患者の生存予測のための腫瘍グラフ学習に向けて

要約：

– 頭頸部がんは世界中で発生が多く、致命的な悪性腫瘍である。
– 複数箇所に病変が存在し、患者間で結果が異なるため、意思決定と治療には課題がある。
– この論文は、任意のPETとCTの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供します。
– 方法は、3つの段階で構成される：局所化、セグメンテーション、生存予測。
– 任意のFoVのスキャンを、u-shaped convolutional neural network（CNN）を用いて興味のある頭頸部領域にトリミングし、segmentationを行うことで領域を取得する。
– 取得した領域を使用し、もう1つのCNNをサポートベクターマシン分類器と組み合わせて使用することで、腫瘍のsemantic segmentationを取得する。
– 最後に、Weibull加速失効時間モデルと深層学習アルゴリズムのアンサンブルを使用して、生存予測を行う。
– さらに、画像のパッチのグラフを処理して、腫瘍の中心に重心をおいたものを予測モデルで調べ、これらの結果を生存予測に使用することで、予測精度を向上させることができる。
– テストセットでのconcordance indexは0.64であり、このタスクにおけるチャレンジのリーダーボードで6位にランクインした。

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, OpenAI