典型文献
改进BYOL的非小细胞肺癌表皮生长因子受体基因突变预测
文献摘要：
通过表皮生长因子受体(Epidermal Growth Factor Receptor,EGFR)突变情况可以对患者是否患有非小细胞肺癌(Non-small Cell Lung Cancer,NSCLC)进行检测.提出了一种基于对比学习的自监督EGFR基因突变预测方法,在不需要大量专家手工标注患者数据集的情况下,对输入网络的患者病灶区图像进行阴性、阳性预测.对自监督BYOL网络进行修改,增加了网络投影层非线性多层感知器(Multilayer Perceptron,MLP)的层数,并将患者CT和PET两个模态的图像数据融合作为网络的输入,在不需要大量标注患者数据集的情况下,对阴性、阳性病例进行预测.在非小细胞肺癌EGFR基因突变数据集上,与传统的影像组学、有监督VGG-16网络、有监督ResNet-50、有监督Inception v3和无监督迁移学习CAE进行对比.实验结果表明,使用对比学习从患者的CT和PET图像学习到的患者病灶区图像的实例特征可以对阴性、阳性病例进行区分,并取得了77％的曲线下面积(Area Under the Curve,AUC);相对于传统的影像组学方法分类结果AUC提高了7％,相对于有监督VGG-16网络的分类结果AUC提高了5％;在不需要大量专家手工标注数据集及大量患者临床数据的情况下仅比有监督ResNet-50 AUC低9％.改进BYOL网络仅需要少量标注的患者数据集便可得到比部分传统有监督方法更准确的检测结果,展示了其辅助临床决策的潜力.
文献关键词：
医学图像处理;深度学习;对比学习;PET/CT;肺非小细胞肺癌基因突变预测
中图分类号：
作者姓名：
杨嘉楠;王忠昊;王昊霖;耿国华;曹欣
作者机构：
西北大学信息科学与技术学院,陕西西安710127;西北大学文化遗产数字化国家地方联合工程研究中心,陕西西安710127
文献出处：
引用格式：
[1]杨嘉楠;王忠昊;王昊霖;耿国华;曹欣-.改进BYOL的非小细胞肺癌表皮生长因子受体基因突变预测)[J].光学精密工程,2022(09):1080-1090
A类：
肺非小细胞肺癌基因突变预测
B类：
BYOL,表皮生长因子受体基因,Epidermal,Growth,Factor,Receptor,EGFR,患有,Non,small,Cell,Lung,Cancer,NSCLC,对比学习,自监督,患者数据,入网,多层感知器,Multilayer,Perceptron,MLP,层数,PET,图像数据,数据融合,阳性病例,变数,影像组学,有监督,VGG,ResNet,Inception,v3,无监督迁移学习,CAE,图像学习,Area,Under,Curve,方法分类,临床数据,比部,监督方法,临床决策,医学图像处理
AB值：
0.343892
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
