基于尺寸约束的弱监督深度学习模型用于多参数磁共振成像中的前列腺癌检测及对未见域的泛化
图像与视频处理
2024-11-06 v1 人工智能
机器学习
摘要
全监督深度模型在许多医学分割任务中已展现出令人瞩目的性能。然而，这些工具在临床中的部署受到人工专家标注数据收集耗时巨大的限制。此外，大多数最先进模型均在中等同质性的数据集上进行训练和验证。众所周知，深度学习方法常因域偏移或标签偏移而严重退化，且尚未构建出对未见数据或标签分布具有鲁棒性的模型。在临床环境中，这一问题尤为突出，因为部署机构可能拥有与训练数据收集时不同的扫描仪或采集协议。在本工作中，我们针对从双参数磁共振成像中检测临床显著性前列腺癌（csPCa）的这两个挑战提出了解决方案。我们评估了（Kervadec 等人，2018）提出的方法，该方法引入尺寸约束损失，从弱圆圈标注中生成精细的语义癌症病灶分割。模型性能基于两个公开数据集（PI-CAI 和 Prostate158）和一个私有数据集。首先，我们证明该模型在分布内验证数据和未见测试图像上均达到了与强全监督基线模型相当的性能。其次，我们观察到在未见数据域上测试时，全监督和弱监督模型的性能均出现下降。这证实了如果深度学习模型旨在部署于临床环境，高效的域适应方法的必要性。最后，我们证明多次训练的集成预测能够提升泛化性能。
引用
@article{arxiv.2411.02466,
title = {Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains},
author = {Robin Trombetta and Olivier Rouvière and Carole Lartizien},
journal= {arXiv preprint arXiv:2411.02466},
year = {2024}
}