在临床上显著的前列腺癌细分中探索变压器可靠性:全面的深入调查

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:

• 变压器越来越多地用于医疗图像细分,但它们在临床上显著的前列腺癌 (csPCa) 检测中的作用未得到充分研究.
• 域位移和不确定性评估对于可靠的计算机辅助诊断 (CAD) 至关重要,但对于csPCa细分模型来说,它们得到了有限的关注.

研究的目的:

• 为了评估基于变压器的模型的稳定性和不确定性估计,与传统的U-Net架构相比,用于csPCa细分.
• 在各种领域转移条件下,研究不同细分级别 (voxel,损伤,图像) 的模型性能.

主要方法:

• 在csPCa数据集上对U-Net,混合变压器和变压器编码器模型进行比较分析.
• 评估模型稳定性,校准,分布外检测 (OOD) 和错误分类检测 (MD).
• 评估横跨voxel,病变和图像级别,以了解性能细微差别.

主要成果:

• 变压器模型在图像和损伤水平上表现出卓越的稳定性,无论是在域内还是域外.
• 卷积神经网络 (CNN) 在voxel级别的大多数稳定性指标中表现优于变压器.
• 混合变压器和变压器编码器显示出更好的不确定性估计,取决于具体任务 (MD或OOD).

结论:

• 变压器模型在更高的水平上为csPCa细分提供了增强的稳定性,但CNN在voxel水平上保持了优势.
• 需要仔细考虑模型架构和任务,以便在csPCa CAD系统中有效量化不确定性.