基于位置的放射学报告引导的无监督前列腺癌检测方法
计算机视觉与模式识别
2024-06-19 v1 机器学习
摘要
前列腺癌是全球最流行的恶性肿瘤之一。尽管深度学习有潜力进一步提高计算机辅助前列腺癌检测 MRI 的效果，但其效能取决于对手动标注图像的详尽标注。我们提出了一种新方法，通过自动提取的临床信息（ Specifically the lesion locations in radiology reports，即放射学报告中的病灶位置）引导的半监督学习（semi-supervised learning，简称 SSL），允许使用未标注的图像以减少标注负担。通过利用病灶位置，我们对伪标签（pseudo labels）进行了细化，然后用于训练我们的基于位置的 SSL 模型。我们展示，所提出的 SSL 方法可通过利用未标注图像提高前列腺病灶检测效果，随着未标注图像比例的增加，效果提升更为显著。
引用
@article{arxiv.2406.12177,
title = {Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection},
author = {Alex Chen and Nathan Lay and Stephanie Harmon and Kutsev Ozyoruk and Enis Yilmaz and Brad J. Wood and Peter A. Pinto and Peter L. Choyke and Baris Turkbey},
journal= {arXiv preprint arXiv:2406.12177},
year = {2024}
}
备注
4 page paper accepted to IEEE International Symposium on Biomedical Imaging (ISBI 2024)