在基于深度学习的前列腺癌检测中加入概率性区域先验的效果
图像与视频处理
2019-07-30 v1
摘要
我们提出并评估了一种在双参数磁共振成像（bpMRI）中自动检测临床显著性前列腺癌（csPCa）的新方法。前列腺区域在 MRI 上前列腺癌的评估中起着重要作用。我们假设，纳入区域信息可提升基于深度学习的 csPCa 病灶检测模型的性能。然而，前列腺区域的分割具有挑战性，因此确定性模型并不准确。为此，我们研究了概率性区域分割。我们的基线检测模型是一个 2DUNet，训练用于生成 csPCa 热图，其后接一个 3D 检测器。我们通过融合一个各向异性 3DUNet 的输出进行区域先验信息整合实验，该 3DUNet 训练用于为每个前列腺区域生成确定性或概率性地图。我们还研究了早融合或晚融合对 csPCa 检测的影响。所有方法均在 848 例 bpMRI 上训练和测试。结果表明，融合区域先验知识改进了基线检测模型，且相较于确定性区域分割更偏好概率性区域分割。
引用
@article{arxiv.1907.12382,
title = {Effect of Adding Probabilistic Zonal Prior in Deep Learning-based Prostate Cancer Detection},
author = {Matin Hosseinzadeh and Patrick Brand and Henkjan Huisman},
journal= {arXiv preprint arXiv:1907.12382},
year = {2019}
}
备注
MIDL 2019 [arXiv:1907.08612]