[论文解读] Effect of Adding Probabilistic Zonal Prior in Deep Learning-based Prostate Cancer Detection

Matin Hosseinzadeh, Patrick Brand+1 more|arXiv (Cornell University)|Jul 29, 2019

Prostate Cancer Diagnosis and Treatment参考文献 5被引用 5

一句话总结

本论文提出将概率性区域先验信息整合到基于深度学习的前列腺癌检测模型中，采用2D U-Net与3D U-Net架构。通过在早期或晚期融合阶段将各向异性3D U-Net生成的概率性区域分割图融入模型，该方法提升了检测性能，其中概率性地图的早期融合在每例患者0.5个假阳性时达到最高敏感度（0.795），优于基线模型及确定性融合方法，在848例bpMRI病例中表现更优。

ABSTRACT

We propose and evaluate a novel method for automatically detecting clinically significant prostate cancer (csPCa) in bi-parametric magnetic resonance imaging (bpMRI). Prostate zones play an important role in the assessment of prostate cancer on MRI. We hypothesize that the inclusion of zonal information can improve the performance of a deep learning based csPCa lesion detection model. However, segmentation of prostate zones is challenging and therefore deterministic models are inaccurate. Hence, we investigated probabilistic zonal segmentation. Our baseline detection model is a 2DUNet trained to produce a csPCa heatmap followed by a 3D detector. We experimented with the integration of zonal prior information by fusing the output of an anisotropic 3DUNet trained to produce either a deterministic or probabilistic map for each prostate zone. We also investigate the effect of early or late fusion on csPCa detection. All methods were trained and tested on 848 bpMRI. The results show that fusing zonal prior knowledge improves the baseline detection model with a preference for probabilistic over deterministic zonal segmentation.

研究动机与目标

• 通过整合区域先验知识，提升基于生物参数磁共振成像（bi-parametric MRI）的临床显著性前列腺癌（csPCa）深度学习检测性能。
• 探究概率性区域分割是否相较于确定性分割，能为csPCa检测提供更优的先验信息。
• 评估将区域先验信息融入2D U-Net病灶检测模型时，早期融合与晚期融合策略的影响。
• 解决自动分割中前列腺区域边界模糊的问题，该问题限制了确定性模型的准确性。
• 证明在标注训练数据有限的情况下，来自概率性区域图的先验知识可提升模型性能。

提出的方法

• 在三通道输入（T2W、ADC、DWI）上训练2D U-Net，生成csPCa病灶热力图，随后进行3D体积分割并采用双阈值法进行病灶分割。
• 对53例T2W图像进行各向异性3D U-Net微调，结合人工区域分割，生成全部848例病例的概率性与确定性区域图。
• 早期融合将区域图作为额外输入通道拼接至2D U-Net，而晚期融合则在1×1卷积层前将区域图添加至最终特征图。
• 训练过程中应用数据增强以减少过拟合，模型使用Adam优化器，结合加权交叉熵损失函数，学习率为10⁻⁵。
• 模型选择基于自由响应受试者工作特征（FROC）曲线上多个点的平均敏感度。
• 采用分层抽样将数据集按3:1:1比例划分为训练集、验证集与测试集，以确保临床显著性前列腺癌分布均衡。

实验结果

研究问题

• RQ1 整合概率性区域先验信息是否能提升基于深度学习的csPCa病灶检测性能？
• RQ2 概率性区域分割是否作为先验信息，在csPCa检测中优于确定性区域分割？
• RQ3 在检测流程中，区域先验的早期融合是否优于晚期融合？
• RQ4 区域分割的先验知识是否可弥补医学图像分析中有限标注训练数据的不足？
• RQ5 包含区域先验信息如何影响不同假阳性率下的敏感度？

主要发现

• 概率性区域图的早期融合在每例患者0.5个假阳性时达到最高敏感度（0.795），相较基线模型（0.760）提升4.5%。
• 概率性早期融合模型在每例患者1个假阳性时达到88.7%的敏感度，显著优于基线模型（82.5%）及确定性融合方法（80.2%–81.6%）。
• 概率性区域先验在所有假阳性率下均提升了检测性能，尤其在低假阳性水平下增益最大。
• 概率性地图的晚期融合在每例患者1个假阳性时达到87.3%的敏感度，优于基线模型与确定性晚期融合，但逊于早期融合。
• 确定性区域先验仅带来微弱改进，敏感度从0.760提升至0.774（每例患者0.5个假阳性）。
• 结果表明，当区域边界模糊时，概率性区域先验在低数据环境下相较于确定性方法更具有效性。