Combiner 与 HyperCombiner 网络：组合多模态 MR 图像用于前列腺癌定位的规则
图像与视频处理
2024-01-23 v2 计算机视觉与模式识别
摘要
放射科医生阅读多参数前列腺 MR 扫描（采用如 PI-RADS v2.1 等报告系统）的一个显著特征是：对 T2 加权、扩散加权和动态对比增强等各类 MR 模态分别评分，随后使用标准化决策规则组合这些图像模态特定评分，以预测临床显著癌的可能性。本工作旨在证明：所提出的 Combiner 网络中，低维参数模型可对这类决策规则建模而不损害预测放射学标签的准确性。首先，表明线性混合模型或非线性堆叠模型均足以建模用于前列腺癌症定位的 PI-RADS 决策规则；其次，将这些（广义）线性模型的参数作为超参数，用于在 Combiner 网络训练中权衡独立表示各图像模态的多个网络，而非端到端模态集成。我们开发了 HyperCombiner 网络，可训练单一图像分割网络，在推理时以这些超参数为条件，从而大幅提高效率。基于 850 名患者数据的实验（用于自动化放射科医生标注多参数 MR 的应用）将所提 combiner 网络与其他常用端到端网络比较。利用获取并解释模态组合规则（即各图像模态的线性权重或优势比）的附加优势，给出了前列腺癌分割的三个临床应用，包括模态可用性评估、重要性量化和规则发现。
引用
@article{arxiv.2307.08279,
title = {Combiner and HyperCombiner Networks: Rules to Combine Multimodality MR Images for Prostate Cancer Localisation},
author = {Wen Yan and Bernard Chiu and Ziyi Shen and Qianye Yang and Tom Syer and Zhe Min and Shonit Punwani and Mark Emberton and David Atkinson and Dean C. Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2307.08279},
year = {2024}
}
备注
30 pages, 6 figures