通过图像到图像翻译实现域迁移用于不确定性感知前列腺癌分类
图像与视频处理
2024-06-04 v2 计算机视觉与模式识别
摘要
前列腺癌(PCa)是男性中一种高发疾病,多参数MRI提供了一种非侵入性的检测方法。尽管基于MRI的深度学习方案在辅助PCa诊断中展现出前景,但在本地诊所获取足够的训练数据(尤其是)仍然具有挑战性。一个潜在的解决方案是利用公开可用数据集预训练深度模型并在本地数据上微调,但多源MRI由于跨域分布差异可能带来挑战。这些限制阻碍了可解释且可靠的深度学习方案在本地诊所PCa诊断中的采用。在本工作中,我们提出了一种用于前列腺多参数MRI非配对图像到图像翻译的新方法,以及一种用于分类临床显著性PCa的不确定性感知训练方法,以应用于如本地和小诊所等数据受限环境。我们的方法包含一条将非配对3.0T多参数前列腺MRI翻译为1.5T的新型流水线,从而扩充可用训练数据。此外,我们引入了一种证据深度学习方法以估计模型不确定性,并在训练期间采用数据集过滤技术。进一步,我们提出了一种简单却高效的Evidential Focal Loss,将focal loss与证据不确定性结合,以有效训练我们的模型。我们的实验表明,相比先前工作,所提方法将ROC曲线下面积(AUC)显著提升了超过20%。我们的代码可在 https://github.com/med-i-lab/DT_UE_PCa 获取。
引用
@article{arxiv.2307.00479,
title = {Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification},
author = {Meng Zhou and Amoon Jamzad and Jason Izard and Alexandre Menard and Robert Siemens and Parvin Mousavi},
journal= {arXiv preprint arXiv:2307.00479},
year = {2024}
}
备注
Preprint. In Submission