联合成对学习和图像聚类的无监督肺癌亚型识别

摘要：

基因诊断是近年来提高肺癌治愈率的一种新型且有效的方法,但这种方法存在基因检测时间长、费用高、侵入式取样损伤大的问题.文中提出了基于成对学习和图像聚类的无监督学习的肺癌亚型识别方法.首先,采用无监督卷积特征融合网络用于学习肺癌CT图像的深度表示,有效地捕捉被忽略的重要特征信息,并使用包含不同层次抽象信息的最终融合特征来表征肺癌亚型.然后,使用联合成对学习和图像聚类的分类学习框架进行建模,充分利用学习到的特征表示,确保有效的聚类学习,以取得更高的分类精度.最后,利用生存分析和基因分析对肺癌亚型进行多角度验证.在合作医院和TCGA-LUAD数据集上的实验结果表明,该方法通过可靠无创的影像分析和放射成像技术,发现了3种具有不同分子特征的肺癌影像亚型,在降低基因检测问题的同时可有效辅助医师进行精准诊断和个性化治疗,进而提高肺癌患者的治愈生存率.

关键词：肺癌亚型识别、成对学习、图像聚类、无监督学习、深度表示

所属期刊栏目：47

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金项目;北京航空航天大学虚拟现实技术与系统国家重点实验室项目;山西省重点研发计划国际科技合作项目

在线出版日期：2020-10-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：200-206