组合器和超组合器网络:结合多模式MRI图像以定位前列腺癌的规则
Wen Yan1, Bernard Chiu2, Ziyi Shen3
1Department of Electrical Engineering, City University of Hong Kong, 83 Tat Chee Avenue, Hong Kong China; Centre for Medical Image Computing; Department of Medical Physics & Biomedical Engineering; Wellcome/EPSRC Centre for Interventional and Surgical Sciences, University College London, Gower St, WC1E 6BT, London, UK.
Medical image analysis
|November 23, 2023
概括
参数模型可以有效地学习使用多参数MRI检测前列腺癌的放射科医生决策规则. 这种使用Combiner网络的方法可以准确地预测癌症的可能性,而不会影响诊断性能.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 机器学习用于医疗保健
背景情况:
- 放射科医生使用PI-RADS v2.1来评分前列腺癌检测的多参数MRI (mpMRI) 模式.
- 标准化决策规则结合模式分数来预测临床上显著的癌症概率.
- 目前的方法经常使用复杂的端到端网络,缺乏决策规则的解释性.
研究的目的:
- 为了证明低维参数模型 (组合器网络) 的可行性,以学习PI-RADS决策规则.
- 开发高效的,基于规则的模型,在预测前列腺癌的放射性标签时保持准确性.
- 通过可解释的模型参数,实现对模式贡献和临床应用的定量分析.
主要方法:
- 拟议的组合器网络使用线性混合或非线性堆叠模型来表示PI-RADS决策规则.
- 引入了HyperCombiner网络,通过对已学过的超参数进行调节,实现高效的训练和推理.
- 使用751个前列腺mpMRI病例的数据集,与通常采用的端到端网络比较了拟议的规则建模方法.
主要成果:
- 线性和非线性组合模型准确地复制了前列腺癌局部化PI-RADS决策规则.
- 超级组合器网络通过学习模式特定的权重作为超参数来提高效率.
- 定量分析揭示了临床应用,包括模式可用性评估,重要性量化和规则发现.
结论:
- 低维参数模型对于学习和代表前列腺mpMRI分析中放射科医生的决策规则是有效的.
- 结合器网络为此任务提供了对端到端深度学习模型的可解释和有效替代方案.
- 结合规则的衍生模式为临床实践和前列腺癌成像进一步研究提供了宝贵的见解.
