基于图块的自迁移学习：一种基于双参数 MRI 的前列腺癌分流方法
图像与视频处理
2021-07-23 v1 计算机视觉与模式识别
摘要
前列腺癌是全球男性中诊断出的第二常见癌症。当前的前列腺癌诊断途径以大量过度诊断为代价，导致不必要的治疗与进一步检测。基于表观扩散系数图（ADC）与 T2 加权（T2w）序列的双参数磁共振成像已被提议作为一种分流测试，用于区分临床显著性与非临床显著性的前列腺病变。然而，这些序列的分析依赖专业知识，需要专门训练，且存在观察者间差异。深度学习技术在分类与检测等任务中展现出前景。然而，它们依赖于大量标注数据，这在医学领域并不常见。为了缓解这些问题，现有工作依赖于迁移学习与 ImageNet 预训练，这已被证明对医学成像领域是次优的。在本文中，我们提出了一种基于图块的预训练策略来区分 cS 与 ncS 病变，该策略利用分块源域的感兴趣区域（ROI），通过使用迁移学习在无需标注的完整切片目标域中高效训练分类器。我们对几种 CNN 架构与不同设置进行了全面比较，并将其作为基线呈现。此外，我们探索了跨域迁移学习，它同时利用了两种 MRI 模态并改进了单一模态的结果。最后，我们展示了我们的方法如何以显著优势超越标准方法。
引用
@article{arxiv.2107.10806,
title = {Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI},
author = {Alvaro Fernandez-Quilez and Trygve Eftestøl and Morten Goodwin and Svein Reidar Kjosavik and Ketil Oppedal},
journal= {arXiv preprint arXiv:2107.10806},
year = {2021}
}
备注
13 pages. Article under review