PCa-RadHop：一种用于临床显著性前列腺癌分割的透明轻量级前馈方法
图像与视频处理
2024-03-26 v1
摘要
前列腺癌是男性中最常见的癌症之一，如果不及早诊断，生存率很低。PI-RADS 读片具有较高的假阳性率，从而增加了诊断成本和患者不适。深度学习（DL）模型实现了高分割性能，但需要较大的模型尺寸和复杂性。此外，DL模型缺乏特征可解释性，在医学领域被视为“黑箱”。本文提出了 PCa-RadHop 流程，旨在使用线性模型提供更透明的特征提取过程。它采用了最近引入的绿色学习（GL）范式，该范式提供了较小的模型尺寸和低复杂度。PCa-RadHop 包含两个阶段：阶段1从双参数磁共振成像（bp-MRI）输入中提取数据驱动的影像组学特征，并预测初始热图。为了降低假阳性率，引入了后续的阶段2，通过包含来自每个已检测到的感兴趣区域（ROI）的更多上下文信息和影像组学特征来细化预测。在最大的公开数据集 PI-CAI 上的实验表明，所提出的方法在其他深度 DL 模型中具有竞争性的性能，在 1,000 名患者的队列中实现了 0.807 的曲线下面积（AUC）。此外，PCa-RadHop 保持了数量级更小的模型尺寸和复杂度。
引用
@article{arxiv.2403.15969,
title = {PCa-RadHop: A Transparent and Lightweight Feed-forward Method for Clinically Significant Prostate Cancer Segmentation},
author = {Vasileios Magoulianitis and Jiaxin Yang and Yijing Yang and Jintang Xue and Masatomo Kaneko and Giovanni Cacciamani and Andre Abreu and Vinay Duddalwar and C. -C. Jay Kuo and Inderbir S. Gill and Chrysostomos Nikias},
journal= {arXiv preprint arXiv:2403.15969},
year = {2024}
}
备注
13 pages, 7 figures, 5 tables