数字体积活检核心利用深度学习改进前列腺癌 Gleason 分级
图像与视频处理
2024-09-16 v1 计算机视觉与模式识别
定量方法
摘要
前列腺癌（PCa）是 2023 年美国男性中诊断最频繁的癌症。活检的组织学分级对于诊断至关重要，目前已开发出多种基于深度学习的解决方案来辅助此任务。现有的深度学习框架通常应用于从 3D 活检组织标本切片得到的单个 2D 横截面。这一过程阻碍了对腺体等复杂组织结构的分析，而这些结构可能因所检查的组织切片而异。我们提出了一种名为“体积核心”的新型数字病理数据源，它是通过使用一种新型保形态对齐框架提取并共对齐连续切片组织而获得的。我们在从体积块提取的深度特征上训练了基于注意力的多示例学习（ABMIL）框架，以自动分类 Gleason 分级组（GGG）。为处理体积块，我们使用了改进的视频 Transformer，其深度特征提取器通过自监督学习进行预训练。我们运行了保形态对齐框架以构建 10,210 个体积核心，留出 30% 用于预训练。其余数据集用于训练 ABMIL，在所有五个 GGG 上平均取得了 0.958 的宏平均 AUC、0.671 的 F1 分数、0.661 的精确率和 0.695 的召回率，显著优于 2D 基线。
引用
@article{arxiv.2409.08331,
title = {Digital Volumetric Biopsy Cores Improve Gleason Grading of Prostate Cancer Using Deep Learning},
author = {Ekaterina Redekop and Mara Pleasure and Zichen Wang and Anthony Sisk and Yang Zong and Kimberly Flores and William Speier and Corey W. Arnold},
journal= {arXiv preprint arXiv:2409.08331},
year = {2024}
}