ProsDectNet：基于经直肠 B 超成像的前列腺癌检测弥合方法
图像与视频处理
2023-12-12 v1 计算机视觉与模式识别
摘要
由于图像伪影（如阴影、散斑），解读传统 B 超图像具有挑战性，导致灵敏度低且诊断准确性受限。尽管已提出将磁共振成像（MRI）作为一种解决方案，但其价格昂贵且未广泛普及。此外，大多数活检仅由经直肠超声（TRUS）引导，可能漏诊高达 52% 的癌症，凸显了改进靶向定位的必要性。为解决这一问题，我们提出了 ProsDectNet，一种在 B 超上定位前列腺癌的多任务深度学习方法。我们的模型使用放射科医师标注的数据进行预训练，并使用活检确认的标签进行微调。ProsDectNet 包含病灶检测和图像块分类头，并利用熵进行不确定性最小化以提高模型性能并减少假阳性预测。我们使用接受了 MRI-TRUS 融合靶向活检的 289 名患者队列对 ProsDectNet 进行了训练和验证。随后，我们在一组 41 名患者上测试了该方法，发现 ProsDectNet 在 B 超图像上检测前列腺癌的表现优于临床专家的平均水平，实现了 82% 的患者级 ROC-AUC、74% 的灵敏度和 67% 的特异度。我们的结果表明，ProsDectNet 有潜力用作计算机辅助诊断系统，以改进靶向活检和治疗规划。
引用
@article{arxiv.2312.05334,
title = {ProsDectNet: Bridging the Gap in Prostate Cancer Detection via Transrectal B-mode Ultrasound Imaging},
author = {Sulaiman Vesal and Indrani Bhattacharya and Hassan Jahanandish and Xinran Li and Zachary Kornberg and Steve Ran Zhou and Elijah Richard Sommer and Moon Hyung Choi and Richard E. Fan and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2312.05334},
year = {2023}
}
备注
Accepted in NeurIPS 2023 (Medical Imaging meets NeurIPS Workshop)