[论文解读] Z-SSMNet: Zonal-aware Self-supervised Mesh Network for Prostate Cancer Detection and Diagnosis with Bi-parametric MRI

Yuan Yuan, Euijoon Ahn+3 more|arXiv (Cornell University)|Dec 12, 2022

AI in cancer detection被引用 4

一句话总结

Z-SSMNet 是一种区域感知的自监督网格网络，利用多维卷积（2D/2.5D/3D）和大规模无标签双参数磁共振成像（bpMRI）的自监督预训练，以提升前列腺癌的检测与诊断。其在 PI-CAI 挑战赛的封闭测试阶段实现了 SOTA 性能，平均精度（AP）得分为 0.690，受试者工作特征曲线下面积（AUROC）为 0.909，展现出在多中心、多扫描仪数据上的卓越泛化能力与鲁棒性。

ABSTRACT

Bi-parametric magnetic resonance imaging (bpMRI) has become a pivotal modality in the detection and diagnosis of clinically significant prostate cancer (csPCa). Developing AI-based systems to identify csPCa using bpMRI can transform PCa management by improving efficiency and cost-effectiveness. However, current state-of-the-art methods using convolutional neural networks (CNNs) are limited in learning in-plane and three-dimensional spatial information from anisotropic images. Their performances also depend on the availability of large, diverse, and well-annotated bpMRI datasets. We propose a Zonal-aware Self-supervised Mesh Network (Z-SSMNet) that adaptively integrates multi-dimensional (2D/2.5D/3D) convolutions to learn dense intra-slice information and sparse inter-slice information of the anisotropic bpMRI in a balanced manner. A self-supervised learning (SSL) technique is proposed to pre-train our network using large-scale unlabeled data to learn the appearance, texture, and structure semantics of bpMRI. It aims to capture both intra-slice and inter-slice information during the pre-training stage. Furthermore, we constrained our network to focus on the zonal anatomical regions to further improve the detection and diagnosis capability of csPCa. We conducted extensive experiments on the PI-CAI dataset comprising 10000+ multi-center and multi-scanner data. Our Z-SSMNet excelled in both lesion-level detection (AP score of 0.633) and patient-level diagnosis (AUROC score of 0.881), securing the top position in the Open Development Phase of the PI-CAI challenge and maintained strong performance, achieving an AP score of 0.690 and an AUROC score of 0.909, and securing the second-place ranking in the Closed Testing Phase.

研究动机与目标

• 解决基于 CNN 的方法在捕捉各层面及层间空间信息方面对各向异性 bpMRI 扫描的局限性。
• 通过在无标签数据上进行自监督预训练，减少对大规模、多样化且完全标注的 bpMRI 数据集的依赖。
• 通过聚焦前列腺的区域解剖结构，提升对临床显著性前列腺癌（csPCa）的检测与诊断能力。
• 开发一种统一的深度学习框架，实现在 2D、2.5D 和 3D 卷积中对密集的层内与稀疏的层间特征学习的平衡。
• 在无需大量微调的情况下，实现在真实世界多中心、多扫描仪 bpMRI 数据上的优异性能。

提出的方法

• 该模型采用混合卷积架构，自适应地整合 2D、2.5D 和 3D 卷积，以捕捉各向异性 bpMRI 中的局部纹理与全局空间上下文。
• 引入自监督学习（SSL）目标，对大规模无标签 bpMRI 数据进行网络预训练，学习外观、纹理和结构语义。
• 应用区域注意力机制，将特征学习限制在前列腺的解剖相关区域，提升定位精度与诊断相关性。
• 通过从多层面 bpMRI 体积中裁剪的图像块进行对比学习，对网络进行预训练，实现在无标注情况下的鲁棒特征表示。
• 最终模型通过弱监督信号端到端微调，用于病灶级检测与患者级诊断。
• 该架构设计用于处理临床 bpMRI 获取中典型的可变层厚与层间间距。

实验结果

研究问题

• RQ1 自监督预训练策略是否能有效从无标签双参数磁共振成像中学习有意义的表征，以提升下游 csPCa 检测性能？
• RQ2 多维卷积（2D/2.5D/3D）的整合是否增强了模型捕捉各向异性 MRI 中局部与全局空间依赖关系的能力？
• RQ3 区域注意力在多大程度上提升了深度学习模型在前列腺癌检测中的诊断性能？
• RQ4 与现有基于 CNN 的方法相比，Z-SSMNet 在多样化多中心、多扫描仪 bpMRI 数据上的泛化能力如何？
• RQ5 无须依赖大规模标注数据集，区域感知的自监督方法是否能实现 SOTA 性能？

主要发现

• 在 PI-CAI 挑战赛的封闭测试阶段，Z-SSMNet 实现了 AP 得分 0.690 和 AUROC 0.909，位列第二。
• 在开放开发阶段，其 AP 得分为 0.633，AUROC 为 0.881，展现出在未见数据上的强大泛化能力。
• 自监督预训练阶段有效捕捉了无标签 bpMRI 数据中的外观、纹理与结构语义，提升了下游性能。
• 区域注意力的整合显著提升了病灶定位与诊断准确性，通过聚焦于解剖相关区域。
• 该模型通过平衡密集的层内与稀疏的层间特征学习，在处理 bpMRI 的各向异性方面优于现有基于 CNN 的方法。
• 该架构在多样化多中心、多扫描仪 bpMRI 数据集中表现出鲁棒性，证实了其临床适用性。