[论文解读] Encoding Clinical Priori in 3D Convolutional Neural Networks for Prostate Cancer Detection in bpMRI

Anindo Saha, Matin Hosseinzadeh+1 more|arXiv (Cornell University)|Oct 31, 2020

Prostate Cancer Diagnosis and Treatment参考文献 24被引用 6

一句话总结

本文提出将临床先验知识编码进3D U-Net架构，以提升在双参数磁共振成像（bpMRI）中的前列腺癌检测性能。通过基于700例训练扫描的区域解剖结构与病灶发生率，构建了一个基于概率的群体先验，该方法在四种3D卷积神经网络架构中，即使在有限且由放射科医生估计的标注数据下，也显著提升了患者层面诊断（AUROC最高提升8.70%）与病灶层面检测（平均pAUC提升1.08）性能。

ABSTRACT

We hypothesize that anatomical priors can be viable mediums to infuse domain-specific clinical knowledge into state-of-the-art convolutional neural networks (CNN) based on the U-Net architecture. We introduce a probabilistic population prior which captures the spatial prevalence and zonal distinction of clinically significant prostate cancer (csPCa), in order to improve its computer-aided detection (CAD) in bi-parametric MR imaging (bpMRI). To evaluate performance, we train 3D adaptations of the U-Net, U-SEResNet, UNet++ and Attention U-Net using 800 institutional training-validation scans, paired with radiologically-estimated annotations and our computed prior. For 200 independent testing bpMRI scans with histologically-confirmed delineations of csPCa, our proposed method of encoding clinical priori demonstrates a strong ability to improve patient-based diagnosis (upto 8.70% increase in AUROC) and lesion-level detection (average increase of 1.08 pAUC between 0.1-10 false positives per patient) across all four architectures.

研究动机与目标

• 为提升在bpMRI中对临床显著性前列腺癌（csPCa）的计算机辅助检测性能，利用领域特定的临床知识。
• 通过将解剖结构与病灶发生率先验知识融入深度学习模型，应对有限且噪声较大的训练数据问题。
• 评估显式解剖先验是否能在多种3D U-Net架构中提升csPCa检测性能。
• 证明先验知识可提升模型在组织学确诊病例中的泛化能力，超越放射科医生估计的标注。

提出的方法

• 基于700例训练用bpMRI扫描，利用放射科医生估计的csPCa标注与CNN生成的前列腺区域分割，构建一个概率群体先验 $P$。
• 该先验编码空间概率：背景为0.00，移行区（TZ）为 $\mu$，外周区（PZ）为 $3\mu$，恶性体素为1.00，其中 $\mu \in [0, 0.33]$ 为可学习超参数。
• 针对每例扫描，通过病例特异性前列腺分割对齐先验 $P$，确保空间对应性，无需非刚性配准。
• 在训练过程中，将该先验作为辅助监督信号，集成至3D U-Net、U-SEResNet、UNet++与Attention U-Net架构中。
• 在200例独立测试扫描上评估性能，使用组织学确诊的csPCa边界作为金标准，采用AUROC与pAUC指标。
• 消融研究对比基线模型（无先验）与三种变体：发生率先验（$\mu=0.00$）、区域先验（$\mu=0.33$）与混合先验（$\mu=0.01$）。

实验结果

研究问题

• RQ1 基于数据驱动的概率群体先验是否能提升3D CNN在bpMRI中csPCa检测的性能？
• RQ2 整合区域解剖结构与病灶发生率对病灶层面与患者层面检测性能的影响如何？
• RQ3 当训练数据有限且标注为放射科医生估计时，该先验是否能提升模型鲁棒性？
• RQ4 该先验在具有不同注意力机制与跳跃连接结构的多样化3D U-Net架构中表现如何？

主要发现

• 在所有四种3D CNN架构中，使用混合先验（$\mu=0.01$）时，患者层面诊断的AUROC最高提升8.70%。
• 病灶层面检测在所有FROC设置下（每例患者0.1–10个假阳性），平均pAUC提升1.08。
• Attention U-Net在使用混合先验时达到最高AUROC（$0.790 \pm 0.066$），优于其基线模型（$0.711 \pm 0.078$）。
• 区域先验（$\mu=0.33$）在AUROC与pAUC上均持续优于发生率先验（$\mu=0.00$），表明解剖分区信息具有重要价值。
• 所有架构均从先验集成中获益，表明该方法在不同网络设计与注意力机制下均具鲁棒性。
• 即使在训练数据有限且标注为放射科医生估计的情况下，该方法仍保持性能增益，表明其在组织学确诊病例中具备更强泛化能力。