[论文解读] Self-transfer learning via patches: A prostate cancer triage approach based on bi-parametric MRI

Álvaro Fernández-Quilez, Trygve Eftestøl+3 more|arXiv (Cornell University)|Jul 22, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 35被引用 5

一句话总结

本文提出一种基于补丁的自迁移学习框架，利用双参数磁共振成像（ADC 和 T2w）进行补丁预训练，以通过区分临床显著（cS）与非临床显著（ncS）病灶来改善前列腺癌分诊。通过利用源域中的感兴趣区域补丁进行无监督预训练，该方法实现了对标注的全切片目标的有效迁移学习，而无需大量标注，其分类准确率优于标准迁移学习和单模态方法。

ABSTRACT

Prostate cancer (PCa) is the second most common cancer diagnosed among men worldwide. The current PCa diagnostic pathway comes at the cost of substantial overdiagnosis, leading to unnecessary treatment and further testing. Bi-parametric magnetic resonance imaging (bp-MRI) based on apparent diffusion coefficient maps (ADC) and T2-weighted (T2w) sequences has been proposed as a triage test to differentiate between clinically significant (cS) and non-clinically significant (ncS) prostate lesions. However, analysis of the sequences relies on expertise, requires specialized training, and suffers from inter-observer variability. Deep learning (DL) techniques hold promise in tasks such as classification and detection. Nevertheless, they rely on large amounts of annotated data which is not common in the medical field. In order to palliate such issues, existing works rely on transfer learning (TL) and ImageNet pre-training, which has been proven to be sub-optimal for the medical imaging domain. In this paper, we present a patch-based pre-training strategy to distinguish between cS and ncS lesions which exploit the region of interest (ROI) of the patched source domain to efficiently train a classifier in the full-slice target domain which does not require annotations by making use of transfer learning (TL). We provide a comprehensive comparison between several CNNs architectures and different settings which are presented as a baseline. Moreover, we explore cross-domain TL which exploits both MRI modalities and improves single modality results. Finally, we show how our approaches outperform the standard approaches by a considerable margin

研究动机与目标

• 为解决前列腺癌过度诊断问题，通过双参数磁共振成像（bp-MRI）提升分诊准确性。
• 通过开发基于图像补丁的自监督预训练策略，减少对昂贵且由专家标注的数据的依赖。
• 通过使用特定于领域的基于补丁的自迁移学习，克服标准迁移学习（如 ImageNet 预训练）在医学影像中的局限性。
• 评估在 ADC 和 T2w MRI 序列之间进行跨域迁移学习，以提升病灶分类性能。

提出的方法

• 开发了一种基于补丁的自迁移学习策略，利用双参数 MRI 扫描中感兴趣区域（ROI）的补丁进行无监督预训练。
• 在目标域的小规模完全标注全切片图像上对预训练模型进行微调，实现在无需大量标注情况下的迁移学习。
• 评估了多种 CNN 架构，以确定最适合分诊任务的模型。
• 通过联合利用 ADC 和 T2w 序列，探索跨域迁移学习，以提升分类性能，超越单模态方法。
• 该方法在补丁上使用自监督对比学习目标，以学习用于区分 cS 与 ncS 病灶的判别性特征。
• 在真实世界数据集上验证了该方法，与标准迁移学习和单模态基线进行性能比较。

实验结果

研究问题

• RQ1 基于补丁的自迁移学习能否提升双参数 MRI 中临床显著与非临床显著前列腺病灶的分类性能？
• RQ2 在医学影像背景下，使用领域特定补丁的自迁移学习与基于 ImageNet 的标准迁移学习相比表现如何？
• RQ3 通过跨域迁移学习联合学习 ADC 和 T2w MRI 序列，能否在分诊性能上超越单模态方法？
• RQ4 在所提出的自迁移学习框架中，哪些 CNN 架构在前列腺癌分诊任务中表现最佳？

主要发现

• 所提出的自迁移学习方法在双参数 MRI 上对 cS 与 ncS 前列腺病灶的分类中，显著优于基于 ImageNet 的标准迁移学习方法。
• 利用 ADC 和 T2w 序列的跨域迁移学习可提升分类性能，超越单模态方法。
• 基于补丁的预训练策略可实现对完全标注全切片目标的有效迁移，且对标注需求极低。
• 在测试的 CNN 架构中，某些模型（如 ResNet 变体）在自迁移学习框架中表现更优。
• 该方法在不同 MRI 序列上表现出鲁棒性和泛化能力，降低了病灶评估中的观察者间差异。