基于非局部 Mask R-CNN 与组织学真值双参数 MRI 前列腺癌准确检测与分割
图像与视频处理
2020-10-30 v1 计算机视觉与模式识别
机器学习
摘要
目的：我们旨在开发深度机器学习（DL）模型，利用基于全前列腺切除标本的勾画，改进双参数 MRI（bp-MRI）上前列腺内病变（IL）的检测与分割。我们还旨在研究迁移学习与自训练能否在少量标注数据下改善结果。方法：158例患者在 bp-MRI 基础上勾画可疑病变，64例患者基于全 mounts 前列腺切除标本切片在 MRI 上勾画 IL，40例患者未标注。提出非局部 Mask R-CNN 以提高分割精度。通过用基于前列腺切除术的勾画微调基于 MRI 勾画训练的模型来研究迁移学习。在自训练中考察了两种标签选择策略。模型性能通过三维检测率、Dice 相似系数（DSC）、第95百分位 Hausdorff 距离（95 HD, mm）和真阳性率（TPR）评估。结果：基于前列腺切除术勾画，带微调与自训练的非局部 Mask R-CNN 显著改善了所有评估指标。对于检测率与 DSC 最高的模型，所有 Gleason 分级分组（GGG）中 80.5%（33/41）的病变被检出，DSC 为 0.548[0.165]、95 HD 为 5.72[3.17]、TPR 为 0.613[0.193]。其中，GGG > 2 的病变 94.7%（18/19）被检出，DSC 为 0.604[0.135]、95 HD 为 6.26[3.44]、TPR 为 0.580[0.190]。结论：DL 模型可基于组织学图像标注在 bp-MRI 上实现高精度的前列腺癌检测与分割。为进一步提升性能，需要更多同时具有 MRI 与全 mounts 前列腺切除标本标注的数据。
引用
@article{arxiv.2010.15233,
title = {Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI using Non-local Mask R-CNN with Histopathological Ground Truth},
author = {Zhenzhen Dai and Ivan Jambor and Pekka Taimen and Milan Pantelic and Mohamed Elshaikh and Craig Rogers and Otto Ettala and Peter Boström and Hannu Aronen and Harri Merisaari and Ning Wen},
journal= {arXiv preprint arXiv:2010.15233},
year = {2020}
}