基于掩膜增强深度监督的 B 模式微超声前列腺癌检测
图像与视频处理
2024-12-17 v1 计算机视觉与模式识别
机器学习
摘要
前列腺癌是男性癌症相关死亡的主要原因之一。高频率微超声成像技术的最新发展提供了比传统超声更高的分辨率，并可能更好地鉴别临床显著性癌与正常组织。然而，前列腺癌的特征仍然细微，与正常组织边界模糊且外观差异大，使得机器学习和人类都难以在微超声图像上定位它。我们提出了一种新型掩膜增强深度监督微超声网络 MedMusNet，用于自动且更准确地分割前列腺癌，作为活检程序的潜在目标。MedMusNet 利用预测的前列腺癌掩膜在网络层内强制学习到的特征，减少噪声影响并提高帧间一致性。MedMusNet 成功检测了 76% 的临床显著性癌，Dice 相似系数为 0.365，在特异性和准确性方面显著优于基线 Swin-M2F（Wilcoxon 检验，Bonferroni 校正，p 值<0.05）。虽然病灶水平和患者水平的分析显示性能优于人类专家和不同基线，但提升未达到统计显著性，可能是由于队列规模较小。我们提出了一种在 B 模式微超声图像上自动检测和分割临床显著性前列腺癌的新方法。我们的 MedMusNet 模型优于其他模型，甚至超越了人类专家。这些初步结果表明其在辅助泌尿科医生进行前列腺癌诊断、活检和治疗决策方面的潜力。
引用
@article{arxiv.2412.10997,
title = {Mask Enhanced Deeply Supervised Prostate Cancer Detection on B-mode Micro-Ultrasound},
author = {Lichun Zhang and Steve Ran Zhou and Moon Hyung Choi and Jeong Hoon Lee and Shengtian Sang and Adam Kinnaird and Wayne G. Brisbane and Giovanni Lughezzani and Davide Maffei and Vittorio Fasulo and Patrick Albers and Sulaiman Vesal and Wei Shao and Ahmed N. El Kaffas and Richard E. Fan and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2412.10997},
year = {2024}
}