基于双参数MRI中涂鸦标注学习按侵袭性分割前列腺癌
图像与视频处理
2022-07-13 v1 计算机视觉与模式识别
机器学习
信号处理
摘要
在这项工作中，我们提出一种基于深度U-Net的模型，以解决基于弱涂鸦标注在MRI中按侵袭性分割前列腺癌这一具有挑战性的任务。该模型扩展了Kervadec等人[1]在多类检测与分割任务中提出的大小约束损失。该模型具有很高的临床价值，因为它可以在前列腺活检样本上训练，并避免耗时的全标注过程。我们在私有数据集（219名患者，拥有完整真值）以及ProstateX-2挑战数据库（仅以不同定位的活检结果作为参考）上评估了性能。我们表明，仅使用6.35%的体素进行训练，即可接近全监督基线在病灶分级上的表现。我们报告弱模型的病灶级Cohen's kappa得分为0.29 0.07，而基线为0.32 0.05。我们还在ProstateX-2挑战数据集上报告了kappa得分（0.276 0.037），该得分来自我们的弱U-Net在ProstateX-2与我们的数据集联合训练下取得，据我们所知，这是该挑战数据集上分割任务报告的最高值。
引用
@article{arxiv.2207.05056,
title = {Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI},
author = {Audrey Duran and Gaspard Dussert and Carole Lartizien},
journal= {arXiv preprint arXiv:2207.05056},
year = {2022}
}