面向前沿模型的癌症检测：Cinepro 中阴道镜超声片段的稳健训练
图像与视频处理
2025-05-16 v1 计算机视觉与模式识别
机器学习
组织与器官
摘要
基于深度学习(DL)的前列腺癌(PCa)检测已显示出在活检期间实时指导方面的潜力。然而，前列腺超声图像缺乏像素级癌症标注，导致标签噪声。当前方法通常仅关注有限的感兴趣区域(ROI)，忽略了对准确诊断必要的解剖背景。前沿模型可以通过分析整个图像来捕获全局空间关系，从而克服这一限制；然而，它们仍面临来自超声数据中粗糙病理标注引起的弱标签挑战。我们引入Cinepro，一种新型框架，用于强化前沿模型在阴道镜超声片段中局化PCa的能力。Cinepro通过将病理报告的癌组织比例整合到其损失函数中来适应稳健训练，以解决标签噪声问题，提供更细致的监督。此外，它利用跨多个帧的时间序列数据应用稳健数据增强，增强模型学习稳定癌症相关特征的能力。Cinepro在多中心前列腺超声数据集上Demonstrates outperformance，实现了77.1%的AUROC和83.8%的平衡准确率，超越了当前基准。这些发现凸显了Cinepro在处理弱标签超声数据方面前沿模型的前景。
引用
@article{arxiv.2501.12331,
title = {Cinepro: Robust Training of Foundation Models for Cancer Detection in Prostate Ultrasound Cineloops},
author = {Mohamed Harmanani and Amoon Jamzad and Minh Nguyen Nhat To and Paul F. R. Wilson and Zhuoxin Guo and Fahimeh Fooladgar and Samira Sojoudi and Mahdi Gilany and Silvia Chang and Peter Black and Michael Leveridge and Robert Siemens and Purang Abolmaesumi and Parvin Mousavi},
journal= {arXiv preprint arXiv:2501.12331},
year = {2025}
}
备注
accepted to IEEE ISBI 2025