在3D卷积神经网络中编码临床先验用于bpMRI前列腺癌检测
图像与视频处理
2021-09-22 v4 计算机视觉与模式识别
摘要
我们假设解剖学先验可作为将领域特异性临床知识注入基于U-Net架构的最先进卷积神经网络(CNN)的可行媒介。我们引入一种概率群体先验，用于捕捉临床显著性前列腺癌(csPCa)的空间患病率和区域区分，以改进其在双参数MR成像(bpMRI)中的计算机辅助检测(CAD)。为评估性能，我们使用800例机构训练-验证扫描（配准放射学估计标注和我们计算的先验）训练U-Net、U-SEResNet、UNet++和Attention U-Net的3D适配版本。对于200例具有组织学确认csPCa勾画的独立测试bpMRI扫描，我们提出的编码临床先验方法在所有四种架构中均展现出提升基于患者的诊断（AUROC最高提升8.70%）和病灶级检测（每患者0.1–10个假阳性间pAUC平均提升1.08）的强劲能力。
引用
@article{arxiv.2011.00263,
title = {Encoding Clinical Priori in 3D Convolutional Neural Networks for Prostate Cancer Detection in bpMRI},
author = {Anindo Saha and Matin Hosseinzadeh and Henkjan Huisman},
journal= {arXiv preprint arXiv:2011.00263},
year = {2021}
}
备注
Accepted to Medical Imaging Meets NeurIPS Workshop of the 34th Conference on Neural Information Processing Systems (NeurIPS 2020)