利用召回反馈自适应损失和基于先验知识的特征提取增强 mp-MRI 前列腺癌级联分类器
计算机视觉与模式识别
2024-08-20 v1 人工智能
摘要
前列腺癌是全球男性第二大常见癌症，mpMRI 常用于诊断。然而，解读 mpMRI 具有挑战性，需要放射科医生的专业知识。这凸显了 mpMRI 自动分级的迫切需求。现有研究缺乏临床先验信息的整合，且因患病率导致训练样本分布不均衡。因此，我们提出了一种整合先验信息、解决医学样本分布不均衡问题并保持 mpMRI 高可解释性的方案。首先，我们引入基于先验知识的特征提取，将前列腺癌的 PI-RADS 标准以诊断信息的形式数学化地建模到模型训练中。其次，我们提出自适应召回反馈损失以解决极度不平衡的数据问题，该方法根据验证集中的准确率和召回率动态调整训练，使测试集同时获得高准确率和高召回率。第三，我们设计了一个增强级联前列腺癌分类器，以可解释的方式将前列腺癌分为不同级别，细化分类结果并辅助临床干预。我们的方法在 PI-CAI 数据集上通过实验验证，在准确率和召回率上均取得了比其他方法更平衡的结果。
引用
@article{arxiv.2408.09746,
title = {Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction},
author = {Kun Luo and Bowen Zheng and Shidong Lv and Jie Tao and Qiang Wei},
journal= {arXiv preprint arXiv:2408.09746},
year = {2024}
}