Z-SSMNet:用于双参数MRI前列腺癌检测与诊断的分区感知自监督网格网络
图像与视频处理
2024-09-24 v2 计算机视觉与模式识别
摘要
双参数磁共振成像(bpMRI)已成为临床显著性前列腺癌(csPCa)检测与诊断的关键模态。开发基于AI的系统以利用bpMRI识别csPCa,可通过提升效率与成本效益来改变前列腺癌的管理。然而,当前使用卷积神经网络(CNNs)的最先进方法在从各向异性图像中学习平面内与三维空间信息方面存在局限。其性能还依赖于大规模、多样化且标注良好的bpMRI数据集的可用性。我们提出一种分区感知自监督网格网络(Z-SSMNet),其自适应地整合多维(2D/2.5D/3D)卷积,以均衡方式学习各向异性bpMRI的密集层内信息与稀疏层间信息。提出一种自监督学习(SSL)技术,利用大规模无标注数据预训练我们的网络,以学习bpMRI的外观、纹理与结构语义。其旨在预训练阶段捕获层内与层间信息。此外,我们约束网络聚焦于分区解剖区域,以进一步提升csPCa的检测与诊断能力。我们在包含10000+多中心与多扫描仪数据的PI-CAI数据集上进行了广泛实验。我们的Z-SSMNet在病灶级检测(AP分数0.633)与患者级诊断(AUROC分数0.881)上均表现优异,在PI-CAI挑战赛的开放开发阶段位居榜首,并在封闭测试阶段保持强劲性能,取得AP分数0.690与AUROC分数0.909,位列第二。
引用
@article{arxiv.2212.05808,
title = {Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI},
author = {Yuan Yuan and Euijoon Ahn and Dagan Feng and Mohamad Khadra and Jinman Kim},
journal= {arXiv preprint arXiv:2212.05808},
year = {2024}
}
备注
13 pages, 7 figures