基于异常驱动的前列腺癌分割方法
计算机视觉与模式识别
2025-05-01 v1 机器学习
摘要
磁共振成像（MRI）在识别临床相关前列腺癌（csPCa）方面发挥着重要作用，但自动化方法面临数据不平衡、肿瘤大小可变以及标注数据稀缺等挑战。本研究引入异常驱动U-Net（adU-Net），将由双序列MRI生成的异常图融入深度学习分割框架，以提高csPCa识别效果。我们对异常检测方法进行比较分析，评估了异常图融入分割管道的集成效果。利用固定点生成对抗网络（Fixed-Point GAN）重建生成的异常图，突出显示正常前列腺组织的偏差，从而引导分割模型聚焦潜在的癌症区域。我们采用平均得分进行性能比较，即AUROC与平均精确率（AP）的均值。实验结果表明，在外部测试集上，adU-Net获得最佳平均得分0.618，优于基线nnU-Net模型（0.605）。结果表明，将异常检测融入分割可提高模型的泛化能力和性能，尤其是基于ADC的异常图，为自动化csPCa识别提供了有前景的方向。
引用
@article{arxiv.2504.21789,
title = {Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation},
author = {Alessia Hu and Regina Beets-Tan and Lishan Cai and Eduardo Pooch},
journal= {arXiv preprint arXiv:2504.21789},
year = {2025}
}
备注
Paper accepted for publication at 2025 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC) Copyright 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media