弱监督的MRI切片级的前列腺癌深度学习分类接近全voxel和切片级的注释:增加训练集大小的影响

科学领域:

• 医学成像和人工智能 医学成像和人工智能
• 机器学习在瘤学中

背景情况:

• 弱监督学习 (WSL) 是一种有希望的方法,可以减少训练深度学习模型所需的大量注释工作.
• 该方法旨在在医学图像分析任务中保持高性能,例如前列腺癌检测.

研究的目的:

• 为了比较使用患者级注释 (PLA) 的弱监督学习与完全监督的切片级注释 (SLA) 的性能,用于前列腺癌 (PC) 分类.
• 评估培训数据集大小增加对两种注释策略性能的影响.

主要方法:

• 一项回顾性研究分析了1489个前列腺MRI检查,使用深 convolutional分类网络 (CNN).
• 培训数据增加了PROSTATEx考试,并分为培训和测试集.
• 通过使用切片级注释 (SLA) 和代患者级注释 (PLA) 来训练CNN,其训练集大小各不相同 (200,500,998).

主要成果:

• 在所有训练集大小中,切片级注释 (SLA) 在ROC-AUC方面始终优于患者级注释 (PLA).
• 然而,与SLA相比,PLA在增加训练数据时显示出显著更快的性能改善.
• 在998次培训考试中,PI-RADS ≥4模拟的PLA特异性接近200次考试中的SLA性能,表明学习速度快.

结论:

• 用患者级注释进行弱监督学习的效果低于前列腺癌分类的切片级注释.
• WSL模型表现出更的学习曲线,随着更多的培训数据的可用性,性能显著提高.
• 在SLA和PLA之间做出选择取决于初始注释努力和大量培训数据集的可用性之间的权衡.