控制基于深度学习的前列腺癌在多参数 MR 图像上检测的假阳性/假阴性率
图像与视频处理
2021-06-07 v1 计算机视觉与模式识别
摘要
前列腺癌（PCa）是全球男性主要死因之一。多参数磁共振（mpMR）成像已成为由专业放射科医生检测和定位前列腺肿瘤的非侵入性诊断工具。这些放射学检查，例如区分移行区恶性病变与良性前列腺增生，以及界定临床显著癌的边界，仍然具有挑战性且高度依赖技能与经验。我们首先研究了利用这些高方差标签训练以预测放射学评估的目标检测神经网络的实验结果。我们进一步主张，此类计算机辅助诊断（CAD）系统需具备控制假阳性率（FPR）或假阴性率（FNR）的能力，方能有用部署于临床工作流中，在无进一步人工干预下辅助临床决策。本工作提出一种新颖的 PCa 检测网络，其结合了基于病灶到切片映射函数的病灶级代价敏感损失与额外的切片级损失，以分别管理病灶级与切片级代价。基于 290 名临床患者的实验得出结论：1）通过改变病灶级代价，病灶级 FNR 由 0.19 有效降至 0.10，病灶级 FPR 由 1.03 降至 0.66；2）通过考虑切片级代价，切片级 FNR 由 0.19 降至 0.00；（3）与不使用所提代价感知训练的网络进行训练后阈值调整相比，通过改变病灶级或切片级代价，病灶级与切片级 FNR 均得以降低且 FP/FPR 更低。
引用
@article{arxiv.2106.02385,
title = {Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images},
author = {Zhe Min and Fernando J. Bianco and Qianye Yang and Rachael Rodell and Wen Yan and Dean Barratt and Yipeng Hu},
journal= {arXiv preprint arXiv:2106.02385},
year = {2021}
}
备注
Accepted by 25th UK Conference on Medical Image Understanding and Analysis(MIUA 2021)