LensePro:标签耐噪声的基于原型的网络,用于改善前列腺超声波中的癌症检测,注释有限
Minh Nguyen Nhat To1, Fahimeh Fooladgar2, Paul Wilson3
1Electrical and Computer Engineering, University of British Columbia, Vancouver, Canada. tnnhatminh@gmail.com.
概括
通过使用自主监督学习和耐噪方法,LensePro通过通过直肠超声波 (TRUS) 图像增强前列腺癌 (PCa) 检测. 这种方法提高了准确性和稳定性,解决了PCa诊断当前深度学习模型的挑战.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 诊断依赖于跨直肠超声波 (TRUS) 引导活检的组织病理学.
- 深度神经网络 (DNN) 提供了从TRUS直接检测PCa的潜力,改善了结果.
- 在DNN培训中的挑战包括杂的标签,分布之外的数据 (OOD) 和有限的标签数据.
研究的目的:
- 介绍LensePro,一个统一的方法,从TRUS数据中有效和强大的PCa检测.
- 在DNN模型培训中解决标签噪声,OOD数据和数据稀缺的挑战.
- 加强用于PCa检测的自动化计算机辅助系统.
主要方法:
- LensePro采用了两阶段的方法:在未标记的TRUS数据上进行自我监督学习以提取特征.
- 第二阶段使用基于标签耐噪声原型的学习来进行特征分类.
- 该方法旨在提高标签的效率和稳定性,防止数据不完美.
主要成果:
- 在检测PCa的超声数据中,LensePro的AUROC达到77.9%,灵敏度为85.9%,特异性为57.5%.
- 该模型在测试时间检测OOD数据方面表现出有效性,这对于临床使用至关重要.
- 废除研究证实,LensePro的每个成分都有助于改善PCa检测.
结论:
- 在基于TRUS的PCa检测中,LensePro展示了最先进的性能.
- 统一的方法标志着PCa自动检测系统的重大进步.
- 需要进一步的研究来确认临床适用性,但LensePro显示出很大的前景.
