基于大量阴性MRI弱监督学习的前列腺癌推断
图像与视频处理
2019-10-08 v1 机器学习
定量方法
摘要
医学成像技术的最新进展显著改善了前列腺癌（PCa）的管理。特别是，多参数MRI（mp-MRI）作为PCa非侵入性检测与分级的首选成像技术，持续获得临床认可。然而，基于机器学习的PCa诊断系统常受限于训练所用准确病灶金标准标注的有限获取。机器学习系统的性能高度依赖于与组织病理学发现相关的病灶标注的质量与数量，导致可扩展性与临床验证受限。在此，我们提出基线MRI模型，通过弱监督学习利用放射学确认的阴性MRI病例来替代性地学习mp-MRI的外观。由于PCa病灶具有病例特异性和高度异质性，假设利用基线MRI模型合成PCa病灶具有挑战性，而合成mp-MRI中的正常外观则相对容易。我们随后利用基线MRI模型，通过比较原始与合成MRI及两种距离函数，推断PCa的像素级可疑度。我们使用1145例阴性前列腺mp-MRI扫描训练并验证了基线MRI模型。为评估，我们使用了分离的232例mp-MRI扫描，包含阳性与阴性MRI病例。116例阳性MRI扫描由放射科医生标注，并经术后全腺体标本确认。可疑度图通过受试者工作特征（ROC）分析用于PCa病灶与非PCa区域分类，以及自由响应受试者工作特征（FROC）分析用于PCa定位进行评估。我们提出的方法在ROC曲线下面积达到0.84，在FROC分析中每患者一个假阳性时灵敏度为77.0%。
引用
@article{arxiv.1910.02185,
title = {Prostate cancer inference via weakly-supervised learning using a large collection of negative MRI},
author = {Ruiming Cao and Xinran Zhong and Fabien Scalzo and Steven Raman and Kyung hyun Sung},
journal= {arXiv preprint arXiv:1910.02185},
year = {2019}
}
备注
6 pages, 5 figures, 2019 International Conference on Computer Vision - Visual Recognition for Medical Images Workshop