用于前列腺癌病灶检测的分布外多视角自编码器
图像与视频处理
2023-08-15 v1 计算机视觉与模式识别
摘要
基于监督学习范式的传统深度学习(DL)方法需要大量标注数据,而医学领域中这类数据十分匮乏。无监督分布外(OOD)检测是一种需要较少标注数据的替代方案。此外,OOD 应用利用了医学数据中普遍存在的类别偏斜特性。磁共振成像(MRI)已被证明对前列腺癌(PCa)的诊断和管理有用,但当前的深度学习方法依赖于 T2 加权轴向 MRI,其平面外分辨率较低。我们提出一种多流方法以适配不同的 T2 加权方向,从而在 OOD 方法中提升前列腺癌病灶检测性能。我们在一个公开可用数据集上评估了我们的方法,与单方向方法相比获得了更优的 AUC 检测结果(73.1 对比 82.3)。我们的结果显示了基于 MRI 的 OOD 方法用于前列腺癌病灶检测的潜力。
引用
@article{arxiv.2308.06481,
title = {Out-of-distribution multi-view auto-encoders for prostate cancer lesion detection},
author = {Alvaro Fernandez-Quilez and Linas Vidziunas and Ørjan Kløvfjell Thoresen and Ketil Oppedal and Svein Reidar Kjosavik and Trygve Eftestøl},
journal= {arXiv preprint arXiv:2308.06481},
year = {2023}
}
备注
Accepted and presented in ISBI 2023. To be published in Proceedings