组织病理学混合监督提升MRI前列腺癌症分类
图像与视频处理
2022-12-14 v1 计算机视觉与模式识别
机器学习
组织与器官
摘要
基于MRI的非侵入性前列腺癌检测有望通过早期检出临床显著性病变（ISUP分级组≥2）而变革患者诊疗，但迄今其阳性预测值有限。为此，我们提出一种基于MRI的深度学习方法来预测临床显著性前列腺癌，适用于后续真实活检结果从良性病理到ISUP分级组~5的患者群体。具体而言，我们证明通过多样化组织病理学真值进行的混合监督可提升分类性能，尽管代价是与基于图像的分割一致性降低。即，先前方法利用来自靶向活检和全 mounts 前列腺切除术的病理结果作为强监督以定位临床显著性癌，而我们的方法还利用带有区域定位的非靶向系统活检提取的弱监督信号来提升整体性能。我们的关键创新在于按分布而非仅按数值进行回归，从而可利用传统上被深度学习策略忽略的额外病理发现。我们在UCSF于2015–2018年收集的973例（测试n=160）多参数前列腺MRI检查数据集上评估了模型，这些检查后续进行了MRI/超声融合（靶向）活检和系统（非靶向）活检，结果表明经组织病理学混合监督训练的深度网络可显著超越前列腺影像报告和数据系统（PI-RADS）这一前列腺MRI解读的临床标准。
引用
@article{arxiv.2212.06336,
title = {Mixed Supervision of Histopathology Improves Prostate Cancer Classification from MRI},
author = {Abhejit Rajagopal and Antonio C. Westphalen and Nathan Velarde and Tim Ullrich and Jeffry P. Simko and Hao Nguyen and Thomas A. Hope and Peder E. Z. Larson and Kirti Magudia},
journal= {arXiv preprint arXiv:2212.06336},
year = {2022}
}