基于分区分类器的前列腺病变检测与显著特征评估
图像与视频处理
2022-08-25 v1 计算机视觉与模式识别
摘要
多参数磁共振成像（mpMRI）在前列腺癌病变检测中的作用日益增强。因此，解读这些扫描图像的医疗专业人员有必要通过使用计算机辅助检测系统来降低人为错误的风险。然而，系统实现中所采用的多种算法得出的结果参差不齐。本文研究各前列腺分区的最佳机器学习分类器，并发现显著特征以阐明模型的分类依据。在所给数据中，我们收集并增广了 T2 加权图像与表观扩散系数图图像，提取一阶至三阶统计特征作为机器学习分类器的输入。对于深度学习分类器，我们采用卷积神经网络（CNN）架构进行自动特征提取与分类。通过显著图映射改善了 CNN 结果的可解释性，以理解其中的分类机制。最终我们得出结论：外周带与前部纤维肌间质（AS）病变的有效检测更依赖于统计分布特征，而移行带（TZ）病变更依赖于纹理特征。集成算法在 PZ 与 TZ 分区表现最佳，CNN 在 AS 分区最佳。这些分类器可用于验证放射科医生的预测，并降低疑似前列腺癌患者间的阅片者差异。本研究所报告的显著特征亦可进一步探究，以更好地理解 mpMRI 下前列腺病变的隐藏特征与生物标志物。
引用
@article{arxiv.2208.11522,
title = {Prostate Lesion Detection and Salient Feature Assessment Using Zone-Based Classifiers},
author = {Haoli Yin and Nithin Buduma},
journal= {arXiv preprint arXiv:2208.11522},
year = {2022}
}