基于超声数据的前列腺癌检测图像Transformer基准测试
图像与视频处理
2024-04-03 v1 计算机视觉与模式识别
机器学习
组织与器官
摘要
目的：用于超声图像中前列腺癌（PCa）分类的深度学习方法通常采用卷积网络（CNN）来检测针迹区域中小感兴趣区域（ROI）内的癌症。然而，这种方法存在弱标注问题，因为真实组织病理学标签并不描述单个ROI的属性。最近，多尺度方法试图通过将Transformer的上下文感知与CNN特征提取器相结合，利用多实例学习（MIL）从多个ROI检测癌症来缓解这一问题。在这项工作中，我们详细研究了多种图像Transformer架构用于ROI尺度和多尺度分类，并比较了CNN和Transformer在基于超声的前列腺癌分类中的性能。我们还设计了一种新颖的多目标学习策略，结合了ROI和核心预测，以进一步减轻标签噪声。方法：我们在ROI尺度癌症分类上评估了3种图像Transformer，然后使用最强的模型通过MIL调整多尺度分类器。我们使用新颖的多目标学习策略训练MIL模型，并将结果与现有基线进行比较。结果：我们发现，对于ROI尺度和多尺度PCa检测，图像Transformer骨干网络落后于其CNN对应物。这种性能差距在更大模型中更为明显。当使用多目标学习时，我们可以提高MIL的性能，AUROC为77.9%，灵敏度为75.9%，特异性为66.3%。结论：卷积网络更适合建模稀疏的前列腺超声数据集，在PCa检测中产生比Transformer更鲁棒的特征。多尺度方法仍然是此任务的最佳架构，多目标学习是提高性能的有效方法。
引用
@article{arxiv.2403.18233,
title = {Benchmarking Image Transformers for Prostate Cancer Detection from Ultrasound Data},
author = {Mohamed Harmanani and Paul F. R. Wilson and Fahimeh Fooladgar and Amoon Jamzad and Mahdi Gilany and Minh Nguyen Nhat To and Brian Wodlinger and Purang Abolmaesumi and Parvin Mousavi},
journal= {arXiv preprint arXiv:2403.18233},
year = {2024}
}
备注
early draft, 7 pages; Accepted to SPIE Medical Imaging 2024