用于不确定性感知前列腺癌检测的跨切片注意力与证据临界损失
图像与视频处理
2024-07-02 v1 计算机视觉与模式识别
摘要
当前基于深度学习的模型通常要么分析 2D 要么分析 3D 医学图像，尽管后者忽略了体积信息或因 MR 数据各向异性分辨率不佳而表现次优。此外，提供准确的不确定性估计对临床医生有益，因为它表明模型对其预测有多大把握。我们提出了一种 novel 2.5D 跨切片注意力模型，该模型利用全局和局部信息，以及 evidential critical loss，进行证据深度学习，以检测前列腺癌 MR 图像中的病灶，这是最常见的癌症之一，是导致男性癌症死亡的主要原因之一。我们在两个不同的数据集上进行了大量实验，实现了前列腺癌检测的 state-of-the-art performance，并改进了 epistemic 不确定性估计。该模型的实现可在 https://github.com/aL3x-O-o-Hung/GLCSA_ECLoss 上获得。
引用
@article{arxiv.2407.01146,
title = {Cross-Slice Attention and Evidential Critical Loss for Uncertainty-Aware Prostate Cancer Detection},
author = {Alex Ling Yu Hung and Haoxin Zheng and Kai Zhao and Kaifeng Pang and Demetri Terzopoulos and Kyunghyun Sung},
journal= {arXiv preprint arXiv:2407.01146},
year = {2024}
}