ProstAttention-Net：一种基于 MRI 扫描中侵袭性进行前列腺癌分割的深度注意力模型
图像与视频处理
2022-11-28 v1 机器学习
信号处理
摘要
多参数磁共振成像（mp-MRI）在前列腺癌（PCa）检测中已显示出优异的结果。然而，在临床实践中无法表征 mp-MRI 序列中的前列腺病变侵袭性，活检仍是确定 Gleason 评分（GS）的参考标准。在本工作中，我们提出了一种新颖的端到端多类网络，联合分割前列腺腺体与癌性病变并进行 GS 分组分级。在潜空间中对信息进行编码后，网络分为两个分支：1）第一个分支执行前列腺分割；2）第二个分支利用该区域先验作为注意力门用于前列腺病变的检测与分级。该模型在前列腺切除术前于三台不同扫描仪获取的 219 例异质性 MRI 检查序列上通过 5 折交叉验证进行训练与验证。在针对临床显著性病变（定义为 GS > 6）检测的自由响应受试者工作特征（FROC）分析中，我们的模型在整前列腺上以每患者 2.9 个假阳性达到 69.0% ±14.5% 的灵敏度，在仅考虑外周带（PZ）时以 1.5 个假阳性达到 70.8% ±14.4% 的灵敏度。关于自动 GS 分组
引用
@article{arxiv.2211.13238,
title = {ProstAttention-Net: A deep attention model for prostate cancer segmentation by aggressiveness in MRI scans},
author = {Audrey Duran and Gaspard Dussert and Olivier Rouvière and Tristan Jaouen and Pierre-Marc Jodoin and Carole Lartizien},
journal= {arXiv preprint arXiv:2211.13238},
year = {2022}
}