基于自监督预训练的交叉窗口 Transformer 用于双参数 MRI 临床显著性前列腺癌检测
图像与视频处理
2024-03-19 v2 计算机视觉与模式识别
摘要
双参数磁共振成像（bpMRI）在使用卷积神经网络（CNNs）进行前列腺癌（PCa）检测方面已展现出有前景的结果。近来，transformers 在计算机视觉中取得了可与 CNNs 竞争的性能。大规模 transformers 需要大量标注数据用于训练，而在医学影像中难以获取。自监督学习（SSL）利用无标签数据生成有意义的语义表示，无需昂贵标注，从而提升在标注数据有限任务上的模型性能。我们引入一种新颖的端到端交叉窗口（CSwin）transformer UNet 模型，即 CSwin UNet，用于在前列腺双参数磁共振成像（bpMRI）中检测临床显著性前列腺癌（csPCa），并展示我们所提自监督预训练框架的有效性。使用一个包含 1500 名患者的大型前列腺 bpMRI 数据集，我们首先通过多任务自监督学习预训练 CSwin transformer，以提升数据效率与网络泛化性。随后使用病灶标注进行微调以执行 csPCa 检测。五折交叉验证显示，自监督 CSwin UNet 取得了 0.888 AUC 与 0.545 平均精度（AP），显著优于四种可比模型（Swin UNETR、DynUNet、Attention UNet、UNet）。使用一个包含 158 名患者的独立 bpMRI 数据集，我们评估了方法对外部保留数据的鲁棒性。自监督 CSwin UNet 取得 0.79 AUC 与 0.45 AP，仍优于所有其他可比方法，并展示出对外部数据的良好泛化能力。
引用
@article{arxiv.2305.00385,
title = {Cross-Shaped Windows Transformer with Self-supervised Pretraining for Clinically Significant Prostate Cancer Detection in Bi-parametric MRI},
author = {Yuheng Li and Jacob Wynne and Jing Wang and Richard L. J. Qiu and Justin Roper and Shaoyan Pan and Ashesh B. Jani and Tian Liu and Pretesh R. Patel and Hui Mao and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2305.00385},
year = {2024}
}