基于放射组学的深度学习用于左心房CT图像中房颤亚型的分类

Radiomics-Informed Deep Learning for Classification of Atrial Fibrillation Sub-Types from Left-Atrium CT Volumes

摘要

房颤（Atrial Fibrillation, AF）以快速、不规则的心跳为特征，可能导致心力衰竭等致命并发症。该疾病根据严重程度分为两个亚型，可以通过CT图像进行自动分类以筛查严重病例。然而，现有的分类方法依赖于通用的放射组学特征，这些特征可能并不适合该任务，同时深度学习方法往往会对高维体积输入产生过拟合。

本文提出了一种新的基于放射组学信息的深度学习方法（RIDL），结合深度学习和放射组学方法的优势，以改进AF亚型分类。与现有大多依赖简单特征拼接的混合技术不同，我们发现放射组学特征选择方法可以作为信息先验，建议用局部计算的放射组学特征来补充低级深度神经网络（DNN）特征。这减少了DNN的过拟合，并能够更好地捕捉放射组学特征之间的局部变化。此外，我们通过设计一种新的特征去相关损失，确保深度学习特征和放射组学特征学习到的互补信息。

代码地址

方法

图1. 本文方法与其他方法的对比概述。放射组学建模使用特征选择算法来选择具有预测性的特征。简单的混合方法直接将这些放射组学特征与深度特征拼接。将局部计算的放射组学特征与低级DNN特征融合，并鼓励学习互补的深度和放射组学特征。

图2. 两个主要组件的示意图。(a) 全局与局部放射组学特征的计算。(b) 用于特征去相关的特征库实现。浅蓝色特征表示当前训练迭代中的特征（彩图在线）。

实验结果