通过有针对性的对抗性培训,保护前列腺癌分类免受直肠人工物的影响

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 深度神经网络 (DNN) 用于使用MRI进行前列腺癌 (PCa) 分类.
• 在MRI扫描中的直肠器件可以显著损害DNN的PCa分类的准确性.
• 当前的DNN方法往往无法解释或减轻直肠器件的影响.

研究的目的:

• 开发一种新的策略,以提高基于DNN的PCa分类对直肠文物的稳定性.
• 引入一种专门针对前列腺MRI分析中直肠器件干扰的方法.

主要方法:

• 提议使用专有对抗样本 (TPAS) 策略进行有针对性的对抗培训.
• 生成专有对抗性样本,结合直肠文物模式来挑战分类模型.
• 使用原始和生成的对抗样本进行培训的PCa分类模型.

主要成果:

• 与普通培训相比,TPAS战略显著改善了PCa分类的表现.
• 对单参数和多参数MRI的患者,切片和病变水平均证明了有效性.
• 在最近的先进深度学习模型中观察到显著的性能增长.

结论:

• TPAS策略是一种有价值的方法,可以减轻直肠器件对PCa分类的深度学习模型的负面影响.
• 这种方法在常见的成像干扰的情况下提高了AI驱动的诊断工具的可靠性.