Leveraging whole slide difficulty in Multiple Instance Learning to improve prostate cancer grading
本文提出利用整张切片难度提升前列腺癌Gleason分级的分类性能,通过多任务和加权分类损失方法改进诊断效果。
2026-03-10 cs.CV
Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data
University of Waterloo(滑铁卢大学)
本文介绍了Cancer-Net PCa-Data,这是首个用于前列腺癌临床决策支持的开源合成相关扩散成像(CDI$^s$)基准数据集,包含200例患者病例及完整注释,以推动相关机器学习与成像研究。
2023-11-20 cs.CV
CorrSigNet: Learning CORRelated Prostate Cancer SIGnatures from Radiology and Pathology Images for Improved Computer Aided Diagnosis
Stanford University(斯坦福大学);Aarhus University(奥胡斯大学)
磁共振成像(MRI)广泛用于前列腺癌的筛查和分期。然而,许多前列腺癌具有在MRI上不容易识别的细微特征,导致漏诊和放射科医生解释的惊人变化。机器学习模型的开发是为了改善癌症识别,但当前的模型使用MRI衍生特征来定位癌症,同时未能考虑在切除组织上观察到的疾病病理特征。在本文中,我们提出了CorrSigNet,一个自动化的两步模型,通过捕获癌症的病理特征在MRI上定位前列腺癌。首先,该模型使用通用表示学习来学习与相应组织病理学特征相关的癌症MRI特征。其次,该模型使用学习的相关MRI特征来训练卷积神经网络以定位前列腺癌。组织病理学图像仅在第一步中用于学习相关特征。一旦学习,这些相关特征可以从新患者的MRI中提取(无需组织病理学或手术)以定位癌症。我们在一个独特的数据集上训练和验证了我们的框架,该数据集包括75名患者,806个切片,这些患者接受了MRI,然后进行了椎间盘切除术。我们在20名前列腺切除术患者(139个切片,24个癌性病变,1.12 M像素)的独立测试集上测试了我们的方法,并实现了0.81的每像素灵敏度,0.71的特异性,0.86的AUC和$0.96 \pm 0.07$的每病变AUC,在使用MRI预测前列腺癌方面优于当前最先进的准确性。
2020-07-31 cs.CV eess.IV
A feasible roadmap for developing volumetric probability atlas of localized prostate cancer
Virginia Polytechnic Institute and State University(弗吉尼亚理工大学);Xi’an University of Architecture and Technology(西安建筑科技大学)
统计体积模型,显示局部前列腺癌的概率图内的主机解剖结构,已开发的90个光学成像的手术标本。该主模型允许前列腺癌分布模式的准确表征和图谱通知活检采样策略。该模型通过将个体前列腺模型与局部肿瘤一起映射到部位模型上来构建。提出了一种基于混合主轴配准的高精度多目标非刚体变形方法。我们报告我们的评估和试点研究的有效性的方法及其应用,以优化针吸活检策略。
2014-09-15 cs.CV q-bio.QM
Beyond Occlusion: In Search for Near Real-Time Explainability of CNN-Based Prostate Cancer Classification
Faculty of Informatics, Masaryk University, Brno, Czech Republic(信息学院,马萨里克大学,布拉格,捷克共和国)
本文提出了一种更快的遮挡替代方法,用于基于CNN的前列腺癌分类,显著提高了解释效率,促进临床应用的实现。
2025-12-19 cs.CV
Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging
Systems Design Engineering University of Waterloo(水力工程系统设计系大学)
针对前列腺癌病灶分割深度学习性能有限的问题,提出用合成相关扩散成像(CDIⁿ)增强标准扩散协议,经200例患者数据和六种架构评估,CDIⁿ整合提升94%配置性能,CDIⁿ+DWI路径安全高效,可直接临床部署。
2025-11-11 cs.CV
Segmentation Strategies in Deep Learning for Prostate Cancer Diagnosis: A Comparative Study of Mamba, SAM, and YOLO
School of Electrical Engineering, Iran University of Science and Technology(伊朗科学技术大学电气工程学院);School of Computer Engineering, Iran University of Science and Technology(伊朗科学技术大学计算机工程学院);School of Electrical Engineering, Shahrood Branch, Islamic Azad University(伊斯兰阿扎德大学沙赫鲁德分校电气工程学院);Medical Sciences and Technologies Department, Science and Research Branch, Islamic Azad University(伊斯兰阿扎德大学科学研究分支医学与技术系);Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology(伊朗科学技术大学电气工程学院生物医学工程系)
本研究比较了 Mamba、SAM 和 YOLO 在前列腺癌病理图像分割中的表现,发现高阶视觉 Mamba UNet(H-vmunet)在 Gleason 2019 和 SICAPv2 数据集上各项指标均最优,展示了其在临床辅助诊断中的应用潜力。
2024-10-02 cs.CV
Self-supervised learning of a tailored Convolutional Auto Encoder for histopathological prostate grading
Universitat Politècnica de València(瓦伦西亚理工大学);University of Stavanger(斯塔万格大学);Tyris Tech S.L.(泰里斯科技有限公司)
根据GLOBOCAN 2020,前列腺癌是全球男性第二大常见癌症,也是第四大流行癌症。对于病理学家来说,前列腺癌的分级是具有挑战性的,特别是在区分3级(G3)和4级(G4)时。本文提出了一种自监督学习(SSL)框架,分类前列腺组织病理图像时,标记的图像是稀缺的。特别地,训练定制的卷积自动编码器(CAE)以重建128x128x3块前列腺癌全载玻片图像(WSI)作为借口任务。所提出的SSL范例的下游任务是前列腺癌的组织病理学补丁的自动分级。所提出的框架在验证集上报告了令人鼓舞的结果,获得了83%的总体准确度,在测试集上获得了76%的总体准确度值,G4中的F1得分为77%。
2023-03-21 cs.CV eess.IV
PCaPaint: Prostate Cancer Inpainting by Mitigating Shortcut Learning
GE HealthCare(GE医疗)
针对前列腺癌MRI合成图像修复中的捷径学习问题,提出PCaPaint方法,采用高斯噪声填充条件、病灶区域误差训练目标及多序列潜在设计,显著提升下游分割、分类与检测性能。
2026-09-30 cs.CV
Discovery Radiomics for Multi-Parametric MRI Prostate Cancer Detection
University of Waterloo(滑铁卢大学);University of Toronto(多伦多大学);Sunnybrook Health Sciences Centre(桑尼布鲁克健康科学中心)
前列腺癌是加拿大男性中最常见的癌症,也是癌症死亡的第三大原因。尽管有这些统计数据,预后相对较好,有足够的早期诊断,使快速和可靠的前列腺癌检测至关重要。由于基于成像的前列腺癌筛查,如磁共振成像(MRI),需要经验丰富的医疗专业人员广泛审查数据并进行诊断,放射组学驱动的方法有助于简化过程,并有可能显着提高诊断准确性和效率,从而提高患者的生存率。这些放射性组学驱动的方法目前依赖于手工制作的基于定量成像的特征集,这些特征集是手动选择的,并且可能限制其充分表征独特前列腺癌肿瘤表型的能力。在这项研究中,我们提出了一种新的\textit{discovery radiomics}框架,用于生成定制的放射组学序列,为前列腺癌检测。发现放射组学旨在揭示基于抽象成像的特征,这些特征捕获高度独特的肿瘤性状和特征,超出了使用预定义特征模型可以捕获的范围。在本文中,我们发现了新的自定义放射组序列生成新的前列腺放射组序列使用多参数MRI数据。我们评估了所发现的放射组测序仪相对于最先进的手工放射组测序仪的性能,所述放射组测序仪用于使用真实临床前列腺多参数MRI数据的具有前馈神经网络的计算机辅助前列腺癌检测。所发现的放射组测序仪的结果表明,相对于手工制作的放射组测序仪,在前列腺癌检测和临床决策支持方面具有良好的性能。发现放射组学的使用显示了更有效和可靠的自动前列腺癌检测的潜力。
2015-10-20 cs.CV physics.med-ph q-bio.QM
PROFUSEme: PROstate Cancer Biochemical Recurrence Prediction via FUSEd Multi-modal Embeddings
Division of Computational Pathology, Department of Pathology and Laboratory Medicine, Indiana University School of Medicine, Indianapolis, IN, USA(计算病理学部,病理与实验室医学部,印第安纳大学医学院,印第安纳波利斯,印第安纳州,美国);Indiana University Melvin and Bren Simon Comprehensive Cancer Center, Indianapolis, IN, USA(印第安纳大学Melvin和Bren Simon综合癌症中心,印第安纳波利斯,印第安纳州,美国);Luddy School of Informatics, Computing, and Engineering, Indiana University, IN, USA(卢迪信息学、计算与工程学院,印第安纳大学,印第安纳州,美国);Department of Radiology and Imaging Sciences, Indiana University School of Medicine, Indianapolis, IN, USA(放射学与成像科学部,印第安纳大学医学院,印第安纳波利斯,印第安纳州,美国);Department of Biostatistics and Health Data Science, Indiana University School of Medicine, Indianapolis, IN, USA(生物统计学与健康数据科学部,印第安纳大学医学院,印第安纳波利斯,印第安纳州,美国)
针对根治性前列腺切除术后前列腺癌生化复发预测问题,提出PROFUSEme方法,通过中间融合配置结合Cox比例风险回归器学习多模态数据跨模态交互,在内部验证和挑战赛数据上均取得优于晚期融合的预测性能。
2025-09-20 cs.CV
Implementation of Convolutional Neural Network Architecture on 3D Multiparametric Magnetic Resonance Imaging for Prostate Cancer Diagnosis
Research Computing Center at the University of Chicago(芝加哥大学研究计算中心)
前列腺癌是男性癌症死亡的最常见原因之一。在临床实践中,对促进当前标准前列腺癌风险评估的非侵入性和准确诊断方法的需求不断增长。尽管如此,在多参数磁共振图像的前列腺癌诊断中开发计算机辅助分类工具仍然是一个挑战。在这项工作中,我们提出了一种新的深度学习方法,通过构建一个基于两阶段多模态多流卷积神经网络(CNN)的架构框架,对相应的磁共振图像中的前列腺病变进行自动分类。在没有实施复杂的图像预处理步骤或第三方软件的情况下,我们的框架实现了分类性能,受试者工作特征(ROC)曲线下面积为0.87。结果优于大多数提交的方法,并分享了PROSTATEx挑战组织者报告的最高值。我们提出的基于CNN的框架反映了在前列腺癌中辅助医学图像解释和减少不必要的活检的潜力。
2021-12-29 cs.CV cs.LG eess.IV
Prostate Cancer Diagnosis using Deep Learning with 3D Multiparametric MRI
The MRI Institute for Biomedical Research(MRI 生物医学研究所);Uber Technologies Inc.(优步技术公司);LinkedIn(领英公司);USAA(美国汽车协会联合服务银行)
开发了一种基于卷积神经网络的新型深度学习架构(XmasNet),用于前列腺癌病变的分类,使用PROSTATEx挑战提供的3D多参数MRI数据。对XmasNet进行端到端训练,通过3D旋转和切片进行数据增强,以纳入病变的3D信息。XmasNet在训练和测试数据方面均优于基于工程特征的传统机器学习模型。对于测试数据,XmasNet优于来自33个参与组的69种方法,并在PROSTATEx挑战中达到第二高AUC(0.84)。这项研究显示了深度学习在癌症成像方面的巨大潜力。
2017-03-12 cs.CV stat.ML
Adversarial Networks for the Detection of Aggressive Prostate Cancer
German Cancer Research Center (DKFZ)(德国癌症研究中心);University of Heidelberg Medical Center(海德堡大学医学中心)
语义分割是医学图像分析的一个组成部分,深度学习领域的突破与此高度相关。然而,深度神经网络的大量可训练参数使它们固有地具有数据饥饿性,这一特征严重挑战了医学成像界。虽然有趣的是,由于用于语义分割的全卷积网络(FCN)的事实上的标准训练对于预测的标签映射的“结构”是不可知的,关于分割的全局质量的有价值的补充信息是空闲的。为了挖掘这一潜力,我们建议利用一个对抗性网络,区分专家和生成的注释,以训练FCN的语义分割。由于对手构成了一个学习的参数化是什么使一个良好的分割在全球范围内,我们假设该方法具有特殊的优势,复杂的结构,小数据集的分割任务。这在我们的实验中是正确的:我们学习利用152例患者的MRI图像分割侵袭性前列腺癌,并表明所提出的方案在侵袭性前列腺癌的检测灵敏度和骰子评分方面优于事实标准。所实现的相对增益被证明是特别明显的小数据集的限制。
2017-02-26 cs.CV
Transfer Learning with Edge Attention for Prostate MRI Segmentation
East China University of Science and Technology(华东理工大学)
前列腺癌是男性常见病之一,在发达国家是最常见的恶性肿瘤。研究表明,男性前列腺的发病率高达2.5%~ 16%,目前亚洲前列腺癌的发病率低于西方,但正在迅速增加。如果前列腺癌能尽早发现并及时治疗,将有很高的生存率。因此,对前列腺癌的诊断和治疗具有重要意义。在本文中,我们提出了一种基于深度神经网络的转移学习方法,用于前列腺MRI分割。此外,我们设计了一个多层次的边缘注意模块,利用小波分解,以克服在前列腺MRI分割任务的模糊边界的困难。前列腺图像由MICCAI Grand Medie-Prostate MR Image Segmentation 2012(PROMISE 12)挑战数据集提供。
2019-12-20 cs.CV eess.IV
Artificial Intelligence-Assisted Prostate Cancer Diagnosis for Reduced Use of Immunohistochemistry
Stavanger University Hospital(斯塔万格大学医院);University of Stavanger(斯塔万格大学);Karolinska Institutet(卡罗林斯卡学院);Synlab;University of Bergen(卑尔根大学);Griffith University(格里菲斯大学);SciLifeLab
本研究评估了一种AI模型在前列腺核心针穿刺活检疑难病例中减少免疫组化(IHC)使用的能力,结果显示该模型在保持高诊断准确率且无假阴性的前提下,显著降低了IHC的染色需求。
2025-03-31 cs.CV
An Enhanced Deep Learning Technique for Prostate Cancer Identification Based on MRI Scans
Mansoura University(曼苏拉大学);Higher Institute of Engineering and Technology(高等工程技术学院)
前列腺癌是世界范围内诊断出的男性中最危险的癌症。前列腺的诊断受到许多因素的影响,如病变的复杂性,观察者的可见性和变异性。在过去的几十年中,许多基于磁共振成像(MRI)的技术已用于前列腺癌的识别和分类。发展这些技术是至关重要的,具有很大的医疗效果,因为它们提高了治疗效益和患者的生存机会。一种依赖于MRI的新技术已被提出来改善诊断。该技术包括两个阶段。首先,对MRI图像进行预处理,使医学图像更适合检测步骤。第二,前列腺癌识别是基于预先训练的深度学习模型InceptionResNetV2进行的,该模型具有许多优点并取得了有效的结果。在本文中,用于此目的的InceptionResNetV2深度学习模型的平均准确率为89.20%,曲线下面积(AUC)为93.6%。与其他以前的技术相比,这种新的深度学习技术的实验结果代表了有前途和有效的结果。
2022-08-01 cs.CV eess.IV
Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion
University of Waterloo(滑铁卢大学)
本文提出Cancer-Net PCa-Gen,首次利用解剖条件控制的潜在扩散策略合成真实前列腺DWI数据,通过可控肿瘤位置和更好的解剖纹理保真度增强数据多样性,以缓解训练数据稀缺问题。
2023-11-30 cs.CV eess.IV
Multi-modality transrectal ultrasound video classification for identification of clinically significant prostate cancer
Shenzhen University(深圳大学);Sun Yat-sen University Cancer Center(中山大学肿瘤防治中心)
提出一种基于双3D ResNet-50、自适应空间融合和正交正则化损失的多模态TRUS视频分类框架,用于识别临床显著性前列腺癌,AUC达0.84,并提供可视化定位指导。
2024-02-17 cs.CV eess.IV
Weakly-Supervised Deep Learning Model for Prostate Cancer Diagnosis and Gleason Grading of Histopathology Images
University of Connecticut(康涅狄格大学);University of Connecticut Health Center(康涅狄格大学健康中心)
前列腺癌是世界范围内男性最常见的癌症,也是美国癌症死亡的第二大原因。前列腺癌的预后特征之一是组织病理学图像的Gleason分级。由病理学家基于苏木精和伊红(H&E)染色的全载玻片图像(WSI)上的肿瘤结构来分配格里森等级。这个过程是耗时的,并且具有已知的观察者间的差异性。在过去的几年中,深度学习算法已被用于分析组织病理学图像,为前列腺癌分级提供了有希望的结果。然而,大多数算法依赖于完全注释的数据集,这是昂贵的生成。在这项工作中,我们提出了一种新的弱监督算法来分类前列腺癌等级。该算法包括三个步骤:(1)采用基于Transformers的多实例学习(MIL)算法提取组织病理学图像中的可区分区域;(2)使用可区分区域构建图来表示图像;(3)基于门控注意机制开发图卷积神经网络(GCN)来将图像分类为Gleason等级。我们使用公开的数据集评估了我们的算法,包括TCGAPRAD,PANDA和Gleason 2019挑战数据集。我们还在一个独立的数据集上交叉验证了该算法。结果表明,所提出的模型实现了国家的最先进的性能在格里森分级任务的准确性,F1得分,和cohen-kappa。该代码可在https://github.com/NabaviLab/Prostate-Cancer上获得。
2022-12-25 cs.CV eess.IV
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net
Polytechnic University of Valencia(瓦伦西亚理工大学)
在世界范围内,前列腺癌是影响男性的主要癌症之一。前列腺癌的最终诊断是基于病理学家在前列腺活检中对格里森模式的视觉检测。计算机辅助诊断系统允许通过计算机视觉算法描绘和分类组织中的癌模式,以便支持医生的任务。这项工作的方法的核心是一个U-网络卷积神经网络的图像分割修改与残留块能够分割癌组织根据完整的格里森系统。该模型优于其他知名的架构,并达到像素级科恩的二次Kappa值为0.52,在以前的图像级作品在文献中的水平,但也提供了一个详细的本地化的模式。
2020-05-22 cs.CV eess.IV
Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection
University of British Columbia(不列颠哥伦比亚大学);Exact Imaging(埃克斯特成像公司)
针对超声前列腺癌检测中分布偏移导致的性能下降,提出多样集成熵最小化(DEnEM)方法,通过校准集成熵最小化提升测试时自适应鲁棒性,AUROC较现有方法提高5%-7%。
2024-07-17 cs.CV
TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance
研究提出TRACE-PCa模型,无需病变分割,通过预训练3D MRI模型编码序列扫描,引入时间注意力门,融合临床变量,在纵向AS队列验证中表现出色,能减少不必要活检,有预测前列腺癌进展的潜力。
2026-07-16 cs.CV
Extracting and analyzing 3D histomorphometric features related to perineural and lymphovascular invasion in prostate cancer
Stanford University(斯坦福大学);University of Washington(华盛顿大学);University of Chicago(芝加哥大学);University of California, Berkeley(加州大学伯克利分校);Public Health Agency of Catalonia(加泰罗尼亚公共卫生局);Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学);Atlanta VA Medical Center(亚特兰大退伍军人事务医疗中心);University of Pennsylvania(宾夕法尼亚大学)
本文提出了一种3D分析方法,用于提取前列腺癌中与神经侵袭和淋巴血管侵袭相关的特征,以提高生化复发预测的准确性。
2026-03-06 cs.CV
Improving Prostate Cancer Detection with Breast Histopathology Images
Top Data Science Ltd.(顶级数据科学有限公司);University of Helsinki(赫尔辛基大学);Skåne University Hospital(斯科讷大学医院);Helsinki University Hospital(赫尔辛基大学医院)
深度神经网络已经在对包括前列腺组织图像的数字病理图像的基于机器学习的分析领域中引入了显著的进步。在迁移学习的帮助下,神经网络模型的分类和分割性能得到了进一步提高。然而,由于缺乏大型的、广泛注释的、公开可用的前列腺组织病理学数据集,之前的几项研究采用了来自经过充分研究的计算机视觉任务的数据集,如ImageNet数据集。在这项工作中,我们提出了一个迁移学习计划,从乳腺组织病理学图像,以提高前列腺癌检测性能。我们通过使用公开的乳腺组织病理学数据集作为预训练,在带注释的前列腺全切片图像上验证了我们的方法。我们证明了所提出的跨癌症方法优于ImageNet数据集的迁移学习。
2019-03-14 cs.CV cs.LG stat.ML
Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging
UCL Hawkes Institute and the Department of Medical Physics and Biomedical Engineering, University College London(伦敦大学学院霍克斯研究所与医学物理与生物医学工程系);Centre for Bioengineering, School of Engineering and Materials Science and Digital Environment Research Institute, Queen Mary University of London(伦敦玛丽女王大学工程与材料科学学院生物工程中心与数字环境研究所);Centre for Medical Imaging, University College London(伦敦大学学院医学影像中心);Division of Surgery & Interventional Science, University College London(伦敦大学学院外科与介入科学部);Urological Research Network(泌尿研究网络)
本文提出利用T2加权图像和生成模型进行前列腺癌定位,通过期望最大化算法提升定位性能,相比传统方法在患者和区域层面表现更优。
2026-04-01 cs.CV
Cryo-RL: automating prostate cancer cryoablation planning with reinforcement learning
UCL Hawkes Institute \& Department of Medical Physics;Biomedical Engineering, University College London, United Kingdom Aga Khan University Hospital, Pakistan Centre for Bioengineering \& School of Engineering;Materials Science \& Digital Environment Research Institute, Queen Mary University of London, United Kingdom
本文提出 Cryo-RL 强化学习框架,将前列腺癌冷冻消融探针放置建模为 MDP,并在 583 例回顾性病例中显著优于自动化基线、达到专家水平。
2025-10-21 cs.CV
Comprehensive study of good model training for prostate segmentation in volumetric MRI
前列腺癌是2020年全球第三大最常见的癌症,仅次于乳腺癌和肺癌。此外,近年来前列腺癌呈上升趋势。根据临床经验,如果及早发现和治疗这个问题,患者的生存机会很高。一个有助于诊断前列腺癌的任务是从磁共振成像中分割前列腺。由临床专家执行的手动分割有其缺点,例如:观察者需要花费大量时间和精力;以及观察者之间和观察者内部的差异。这就是为什么近年来出现了基于卷积神经网络的前列腺自动分割方法。他们中的许多人提出了新颖的架构。在本文中,我对几种深度学习模型进行了详尽的研究,并将其调整为前列腺预测任务。我不使用新颖的架构,而是将工作重点更多地放在如何训练网络上。我的方法基于ResNext 101 3D编码器和Unet 3D解码器。我提供了一个研究的重要性,决议在reserved数据,这是没有人做过的。
2022-08-29 cs.CV cs.LG eess.IV
T2-Only Prostate Cancer Prediction by Meta-Learning from Bi-Parametric MR Imaging
本研究提出一种基于元学习的仅T2w序列前列腺癌预测方法,在推理阶段仅用T2w而训练时利用DWI,在3000多名患者数据上表现优于或可比传统方法。
2024-11-11 cs.CV eess.IV
Prostate Age Gap (PAG): An MRI surrogate marker of aging for prostate cancer detection
University of Stavanger(斯塔万格大学);Stavanger University Hospital(斯塔万格大学医院);Karolinska Institutet(卡罗林斯卡学院);Capio S:t Gorän Hospital(卡皮奥圣戈兰医院);Danderyd Hospital(丹德里德医院)
本文提出前列腺年龄差距(PAG)作为基于MRI的衰老替代标志物,通过深度学习预测年龄与实足年龄之差,显著提升临床显著性前列腺癌的风险预测能力,优于PSA和PI-RADS等传统指标。
2023-08-10 cs.CV
The impact of using voxel-level segmentation metrics on evaluating multifocal prostate cancer localisation
City University of Hong Kong(香港城市大学);University College London(伦敦大学学院)
Dice相似系数(DSC)和Hausdorff距离(HD)是医学图像分割的常用评价指标。当单独报告时,它们也因其不明确甚至误导性的临床解释而受到批评。由于边界平滑度或受试者内的多个感兴趣区域(ROI),DSC也可以与HD显著不同。更重要的是,这两种度量也可以与基于1型和2型错误的结果具有非线性、非单调的关系,设计用于使用所得到的分割的特定临床决策。虽然导致这些指标之间不一致的情况并不难假设。这项工作首先提出了一个新的不对称检测指标,适应那些用于对象检测,规划前列腺癌的程序。然后将病变级度量与体素级DSC和HD进行比较,而3D UNet用于从多参数MR(mpMR)图像分割病变。基于实验结果,我们报告了1)DSC和HD之间的成对一致性和相关性,以及2)体素水平DSC和病变水平的召回控制精度之间的成对一致性和相关性,在不同的截止值下,Cohen的[0.49,0.61]和Pearson的[0.66,0.76](p值}<0.001)。然而,在357个测试集病变中,如果使用DSC,则实际错误和感知对应物之间的假阳性和假阴性的差异分别高达152和154。因此,我们谨慎地得出结论,尽管存在显著的相关性,但体素级指标(如DSC)可能会错误地表示用于评估多灶性前列腺癌定位的病变级检测准确性,应谨慎解释。
2022-03-31 cs.CV eess.IV
Cross-Slice Attention and Evidential Critical Loss for Uncertainty-Aware Prostate Cancer Detection
VoxelCloud, Inc.(体素云科技公司)
本文提出一种结合全局与局部信息的2.5D跨切片注意力模型及证据临界损失,用于前列腺癌MR图像检测,在两个数据集上取得最先进性能并改善不确定性估计。
2024-07-01 cs.CV eess.IV
Prostate-Specific Foundation Models for Enhanced Detection of Clinically Significant Cancer
Stanford University(斯坦福大学);The Catholic University of Korea(韩国天主教大学);University of California San Diego(加州大学圣迭戈分校)
本文提出前列腺特异性视觉基础模型ProViCNet,利用多机构MRI和TRUS数据及对比学习实现临床显著前列腺癌检测,性能优于放射科医生,并与PSA结合大幅提高特异性以减少不必要活检。
2025-02-04 cs.CV eess.IV
Location-based Radiology Report-Guided Semi-supervised Learning for Prostate Cancer Detection
National Cancer Institute(美国国家癌症研究所);National Institutes of Health(美国国立卫生研究院);Clinical Center, National Institutes of Health(美国国立卫生研究院临床中心);Center for Cancer Research, National Cancer Institute(美国国家癌症研究所癌症研究中心)
针对前列腺癌MRI检测深度学习依赖大量人工标注的问题,提出放射学报告病灶位置引导的半监督学习方法,通过优化伪标签训练模型,利用未标注图像提升检测效果,未标注比例越高提升越显著。
2024-06-18 cs.CV cs.LG
Enhanced Cascade Prostate Cancer Classifier in mp-MRI Utilizing Recall Feedback Adaptive Loss and Prior Knowledge-Based Feature Extraction
School of Automation(自动化学院);Guangdong University of Technology(广东工业大学);Nanfang Hospital, Southern Medical University(南方医科大学南方医院)
针对mp-MRI前列腺癌自动分级缺乏先验整合、样本分布不均的问题,提出融合PI-RADS先验特征、自适应召回反馈损失的增强级联分类器,在PI-CAI数据集上实现准确率与召回率更均衡的优异表现。
2024-08-19 cs.AI cs.CV
Unsupervised Prostate Cancer Detection on H&E using Convolutional Adversarial Autoencoders
Radboud University Medical Center(拉德堡德大学医学中心)
我们提出了一种无监督的方法,使用自聚类卷积对抗自编码器来将前列腺组织分类为肿瘤或非肿瘤,而无需任何标记的训练数据。聚类方法被集成到自动编码器的训练中,只需要很少的后处理。我们的网络在苏木精和伊红(H&E)输入补丁上进行训练,并测试了两种不同的重建目标,H&E和免疫组织化学(IHC)。我们表明,使用IHC的抗体驱动的特征学习有助于网络学习聚类任务的相关特征。我们的网络仅使用一小部分验证标签来将类分配给集群,从而获得了0.62的F1分数。
2018-04-19 cs.CV cs.LG
Towards Confident Detection of Prostate Cancer using High Resolution Micro-ultrasound
Queen’s University(女王大学);University of British Columbia(不列颠哥伦比亚大学);Exact Imaging
动机:在经直肠超声引导活检期间检测前列腺癌具有挑战性。癌症的高度异质性外观、超声伪影的存在和噪声都导致了这些困难。高频超声成像(微超声)的最新进展极大地提高了高分辨率组织成像的能力。我们的目标是研究专门用于微型超声引导前列腺癌活检的强大深度学习模型的开发。对于临床采用的模型,一个关键的挑战是设计一种解决方案,可以自信地识别癌症,同时从引入弱标记的活检样本的粗略组织病理学测量中学习。方法:我们使用从194例接受前列腺活检的患者中获得的显微超声图像数据集。我们训练了一个深度模型,使用协同教学范式来处理标签中的噪声,以及用于不确定性估计的证据深度学习方法。我们使用临床相关的准确度与置信度指标来评估我们模型的性能。结果:我们的模型实现了良好的校准估计的预测不确定性与88 $\%$的曲线下面积。联合教学和证据深度学习的结合使用比单独使用产生了更好的不确定性估计。我们还提供了一个详细的比较对国家的最先进的不确定性估计。
2022-07-21 cs.CV eess.IV
Self-Supervised Learning with Limited Labeled Data for Prostate Cancer Detection in High Frequency Ultrasound
Queen’s University(女王大学);University of British Columbia(不列颠哥伦比亚大学);Exact Imaging(Exact Imaging公司)
基于深度学习的高频、高分辨率微超声数据分析显示出前列腺癌检测的巨大前景。以前的超声数据分析方法主要遵循监督学习范式。用于训练深度网络的超声图像的地面实况标签通常包括从经由活检获得的组织样本的组织病理学分析生成的粗略注释。这对标记数据的可用性和质量造成了固有的限制,对监督学习方法的成功提出了重大挑战。另一方面,未标记的前列腺超声数据更丰富。在这项工作中,我们成功地将自监督表示学习应用于微超声数据。使用来自两个临床中心的391名受试者的1028个活检核心的超声数据,我们证明了用这种方法学习的特征表示可用于将癌症与非癌组织分类,在独立测试集上获得91%的AUROC评分。据我们所知,这是第一个成功的端到端自我监督学习方法,用于使用超声数据进行前列腺癌检测。我们的方法优于基线监督学习方法,在不同的数据中心之间推广良好,并且随着更多未标记数据的添加,性能扩展良好,使其成为未来使用大量未标记数据进行研究的有前途的方法。
2022-11-01 cs.CV eess.IV
TRUSformer: Improving Prostate Cancer Detection from Micro-Ultrasound Using Attention and Self-Supervision
Queen’s University(女王大学);University of British Columbia(不列颠哥伦比亚大学);Exact Imaging(Exact Imaging公司)
用于基于超声的前列腺癌检测的大量先前机器学习方法对超声信号的小感兴趣区域(ROI)进行分类,所述感兴趣区域位于与前列腺组织活检(称为活检核心)相对应的较大针迹内。这些ROI尺度模型遭受弱标记,因为可用于活检芯的组织病理学结果仅近似ROI中癌症的分布。ROI尺度模型不利用病理学家通常考虑的上下文信息,即在识别癌症时,它们不考虑关于周围组织和更大尺度趋势的信息。我们的目标是通过采取多尺度(即ROI尺度和活检核心尺度)方法来改善癌症检测。研究方法:我们的多尺度方法结合了(i)使用自监督学习训练的“ROI尺度”模型,以从小ROI提取特征,以及(ii)“核心尺度”Transformer模型,该模型处理从针迹区域中的多个ROI提取的特征的集合,以预测相应核心的组织类型。注意力地图,作为一个副产品,使我们能够在ROI范围内定位癌症。我们使用从578例接受前列腺活检的患者中获得的微超声数据集分析了这种方法,并将我们的模型与基线模型和文献中的其他大规模研究进行了比较。结果和结论:我们的模型表现出一致的和实质性的性能改进相比,ROI规模的模型。它实现了80.3%的AUROC,比ROI尺度分类有统计学显著的改善。我们还将我们的方法与使用其他成像方式进行的前列腺癌检测的大型研究进行了比较。我们的代码可在www.github.com/med-i-lab/TRUSFormer上公开获取
2023-03-03 cs.CV eess.IV
Using deep learning to detect patients at risk for prostate cancer despite benign biopsies
Karolinska Institutet(卡罗林斯卡学院)
背景:经直肠超声引导的系统性前列腺活检是诊断前列腺癌的常规方法。然而,10-12前列腺芯活检仅对前列腺的相对小的体积进行采样,并且可能错过活检芯之间的区域中的肿瘤病变,导致众所周知的检测临床相关癌症的低灵敏度。作为原理证明,我们开发并验证了一种深度卷积神经网络模型,以区分患有和不患有癌症的男性的良性前列腺活检全载玻片图像中的形态模式。研究方法:这项研究包括两组1,508名男性的良性前列腺活检的14,354张苏木精和伊红染色的全载玻片图像:未确诊前列腺癌(PCa)的男性和至少有一次穿刺活检诊断为PCa的男性。80%的参与者被分配为训练数据并用于模型优化(1,211名男性),其余20%(297名男性)作为用于评估模型性能的测试集。对10个深度卷积神经网络模型的集合进行了优化,用于对患有和不患有癌症的男性的活检进行分类。超参数优化和模型选择通过训练数据中的交叉验证进行。结果如下:活检水平的受试者工作特征曲线下面积(ROC-AUC)估计为0.727(bootstrap 95% CI:0.708-0.745),男性水平为0.738(bootstrap 95% CI:0.682 - 0.796)。在特异性为0.9时,模型的估计灵敏度为0.348。结论:所开发的模型有能力检测由于前列腺采样不足而有漏诊PCa风险的男性。所提出的模型有可能减少常规系统性前列腺活检中的假阴性病例数,并指示可以从MRI…
2022-04-19 cs.CV eess.IV q-bio.QM
Federated Learning with Research Prototypes for Multi-Center MRI-based Detection of Prostate Cancer with Diverse Histopathology
University of California, San Francisco(加州大学旧金山分校);Duke University(杜克大学)
从MRI进行早期前列腺癌检测和分期对于放射科医生和深度学习算法来说都是极具挑战性的任务,但是从大型和多样化的数据集中学习的潜力仍然是一个有希望的途径,可以提高他们在诊所内和诊所之间的泛化能力。为了实现这一点的原型阶段的算法,其中大部分现有的研究仍然存在,在本文中,我们介绍了一个灵活的联邦学习框架,用于跨站点的训练,验证和评估深度前列腺癌检测算法。我们的方法利用了模型架构和数据的抽象表示,这允许使用NVFlare联邦学习框架来训练未经修改的原型深度学习模型。我们的研究结果表明,使用专门的神经网络模型和在加利福尼亚大学两个研究医院收集的不同前列腺活检数据,前列腺癌检测和分类准确性增加,证明了我们的方法在适应不同数据集和改善MR生物标志物发现方面的有效性。我们开源了我们的FLtools系统,它可以很容易地适应其他医学成像的深度学习项目。
2022-06-11 cs.CV cs.LG q-bio.TO
Policy to Assist Iteratively Local Segmentation: Optimising Modality and Location Selection for Prostate Cancer Localisation
Department of Medical Physics and Biomedical Engineering, University College London, London, UK(医学物理与生物医学工程系,伦敦大学学院,伦敦,英国);UCL Hawkes Institute, University College London, London, UK(UCL Hawkes研究所,伦敦大学学院,伦敦,英国);School of Computer Science and Engineering, University of Westminster, London, UK(计算机科学与工程学院,伦敦威斯敏斯特大学,伦敦,英国)
本文提出了一种推荐系统,通过优化成像模态和位置选择,提升前列腺癌分割性能,实验表明其在提高标注效率和分割准确性方面具有潜力。
2025-08-05 cs.AI cs.CV
Prostate Cancer Detection using Deep Convolutional Neural Networks
Lunenfeld-Tanenbaum Research Institute(卢嫩菲尔德-塔南鲍姆研究所);Sinai Health System(西奈卫生系统);University of Toronto(多伦多大学);Sunnybrook Research Institute(桑尼布鲁克研究所)
前列腺癌是最常见的癌症之一,也是北美癌症死亡的第三大原因。作为计算机辅助检测(CAD)工具的一个组成部分,弥散加权磁共振成像(DWI)已被深入研究,以准确检测前列腺癌。随着深度卷积神经网络(CNN)在目标检测和分割等计算机视觉任务中的重大成功,不同的CNN架构在医学成像研究界越来越多地被研究,作为设计更准确的癌症检测CAD工具的有前途的解决方案。在这项工作中,我们开发并实现了一个自动化的基于CNN的管道,用于检测给定轴向DWI图像和每位患者的临床显著前列腺癌(PCa)。427例患者的DWI图像被用作数据集,其中包括175例PCa患者和252例健康患者。为了测量所提出的管道的性能,将108名(共427名)患者的测试集放在一边,并且不在训练阶段使用。在切片水平和患者水平,申报管道的受试者工作特征曲线下面积(AUC)分别为0.87(95%置信区间(CI):0.84-0.90)和0.84(95% CI:0.76-0.91)。
2019-05-30 cs.CV eess.IV q-bio.QM
Bridging the gap between prostate radiology and pathology through machine learning
Facebook(脸书);Stanford University School of Medicine(斯坦福大学医学院);Stanford University(斯坦福大学);VA Palo Alto Health Care System(帕洛阿尔托退伍军人医疗保健系统)
前列腺癌是美国男性第二大致命癌症。虽然磁共振成像(MRI)越来越多地用于指导前列腺癌诊断的靶向活检,但由于假阳性和假阴性率高以及阅片员间一致性低,其实用性仍然有限。在前列腺MRI上检测和定位癌症的机器学习方法可以帮助标准化放射科医生的解释。然而,现有的机器学习方法不仅在模型架构上有所不同,而且在用于模型训练的基础事实标记策略上也有所不同。在这项研究中,我们比较了不同的标记策略,即病理学确认的放射科医生标签,全切片组织病理学图像上的病理学家标签,以及全切片组织病理学图像上的病变级和像素级数字病理学家标签(先前在组织病理学图像上验证的深度学习算法,以预测像素级格里森模式)。我们分析了这些标签对经过训练的机器学习模型性能的影响。我们的实验表明,(1)放射科医生标签和用它们训练的模型可能会错过癌症,或低估癌症程度,(2)数字病理学家标签和用它们训练的模型与病理学家标签具有高度一致性,以及(3)用数字病理学家标签训练的模型在具有不同疾病分布的两个不同队列中实现了前列腺癌检测的最佳性能,而不管所使用的模型架构。数字病理学家标签可以减少与人类注释相关的挑战,包括劳动力,时间,阅读器间和阅读器内的差异,并且可以通过训练可靠的机器学习模型来帮助弥合前列腺放射学和病理学之间的差距,以在MRI上检测和定位前列腺癌。
2021-12-03 cs.CV eess.IV
Detection of prostate cancer in whole-slide images through end-to-end training with image-level labels
Radboud University Medical Center(拉德堡德大学医学中心);Linköping University(林雪平大学)
前列腺癌是西方国家男性中最常见的癌症,每年有110万例新诊断。诊断前列腺癌的金标准是病理学家对前列腺组织的评估。为了潜在地帮助病理学家,已经开发了基于深度学习的癌症检测系统。许多最先进的模型都是基于补丁的卷积神经网络,因为整个扫描幻灯片的使用受到加速卡内存限制的阻碍。基于补丁的系统通常需要详细的像素级注释来进行有效的训练。然而,这种注释很少容易获得,与病理学家的临床报告相比,其包含幻灯片级别的标签。因此,开发不需要手动逐像素注释但可以仅使用临床报告学习的算法将是该领域的重大进步。在本文中,我们建议使用卷积层的流实现,训练一个现代的CNN(ResNet-34),在4712个前列腺活检上具有2100万个端到端参数。该方法通过将GPU内存需求降低2.4 TB,可以直接使用高分辨率的整个活检图像。我们证明,使用我们的流方法训练的现代CNN可以从高分辨率图像中提取有意义的特征,而无需额外的算法,达到与最先进的基于补丁和多实例学习方法相似的性能。通过规避手动注释的需要,这种方法可以作为组织病理学诊断中其他任务的蓝图。再现流模型的源代码可在https://github.com/DIAGNijmegen/pathology-streaming-pipeline获得。
2020-06-05 cs.CV eess.IV
Deep Learning Based Analysis of Prostate Cancer from MP-MRI
Aalto University(阿尔托大学)
前列腺癌的诊断面临着过度诊断的问题,过度诊断会导致不必要的治疗带来的破坏性副作用。研究表明,使用多参数磁共振图像进行活检可以大大有助于减轻过度诊断,从而减少对健康患者的副作用。本研究旨在研究使用深度学习技术来探索基于MRI作为输入的计算机辅助诊断。使用基于深度学习的方法解决了从病变分类为具有临床意义或不具有临床意义到病变检测和分割的几个诊断问题。本论文解决了两个主要问题,关于前列腺癌的诊断。首先,使用XmasNet进行了两个关于病变分类的大型实验。其次,进行检测和分割实验,首先在前列腺上,然后在前列腺癌病变上。前一个实验通过二维空间探索病变,而后者探索了使用三维输入的模型。对于这项任务,探索的3D模型是3D U-Net和预训练的3D ResNet-18。所有这些问题进行了严格的分析,共两个网络,两个裁剪技术,两个restriking技术,两个作物的大小,五个输入大小和数据扩增试验病变分类。而对于分割,实验了两种模型,两种输入大小和数据增强。然而,虽然病变临床意义的二进制分类以及前列腺的检测和分割已经达到了预期的结果(分别为0.870 AUC和0.915 dice评分),但PIRADS评分的分类和病变分割仍有很大的改进余地(分别为0.664准确度和0.690 dice评分)。
2021-06-02 cs.CV eess.IV
Biochemical Prostate Cancer Recurrence Prediction: Thinking Fast & Slow
Indiana University School of Medicine(印第安纳大学医学院)
本文提出两阶段“快慢思考”多实例学习方法,先定位与生化复发最相关的WSI区域,再用高分辨率图像块预测前列腺癌复发时间,并在内部及LEOPARD数据集上验证了预测性能。
2024-09-03 cs.AI cs.CV
Towards Multi-modality Fusion and Prototype-based Feature Refinement for Clinically Significant Prostate Cancer Classification in Transrectal Ultrasound
School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University(深圳大学医学部生物医学工程学院);Sun Yat-sen University Cancer Center(中山大学肿瘤防治中心)
本研究提出一种多模态TRUS的csPCa分类学习框架,通过双3D ResNet-50提取特征、注意力模块融合、小样本分割增强及原型校正优化,在512例数据集上AUC达0.86,还可生成CAM辅助活检定位。
2024-06-20 cs.CV eess.IV
Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging
Vision and Image Processing Group, Systems Design Engineering, University of Waterloo(滑动与图像处理组,系统设计工程,滑铁卢大学)
本研究利用合成相关扩散成像(CDI$^s$)和多种深度学习模型进行前列腺癌腺体分割,发现SegResNet性能最优(DSC 76.68),并验证了该模态在临床支持中的潜力。
2025-05-26 cs.CV eess.IV
Mask Enhanced Deeply Supervised Prostate Cancer Detection on B-mode Micro-Ultrasound
Stanford University(斯坦福大学);The Catholic University of Korea(韩国天主教大学);University of Alberta(阿尔伯塔大学);University of California Los Angeles(加州大学洛杉矶分校);Humanitas University(乌尼塔斯大学);IRCCS Humanitas Research Hospital(IRCCS乌尼塔斯研究医院);University of Florida(佛罗里达大学);University of California San Diego(加州大学圣地亚哥分校)
针对微超声图像中前列腺癌特征细微、边界模糊的问题,提出掩膜增强深度监督网络MedMusNet,利用预测掩膜逐层强化特征,检测76%临床显著癌症,Dice系数0.365,优于基线和人类专家。
2024-12-14 cs.CV cs.LG eess.IV
Evolution-based Fine-tuning of CNNs for Prostate Cancer Detection
Lunenfeld-Tanenbaum Research Institute(卢嫩菲尔德-塔南鲍姆研究所);Sinai Health System(西奈卫生系统);Brigham and Women’s Hospital(布莱根妇女医院);University of Toronto(多伦多大学)
卷积神经网络(CNN)已被用于前列腺癌的自动检测,其中受试者工作特征(ROC)曲线下的面积(AUC)通常用作性能指标。考虑到AUC是不可微的,通常的做法是使用基于其他性能度量(例如交叉熵和监视AUC)的损失函数来训练CNN以选择最佳模型。在这项工作中,我们建议使用遗传算法对用于前列腺癌检测的训练CNN进行微调,以实现更高的AUC。我们的数据集包含前列腺的6通道弥散加权MRI切片。在2,955个训练,1,417个验证和1,334个测试切片的队列中,我们达到了0.773的测试AUC;与基础CNN模型相比,提高了9.3%。
2019-11-04 cs.CV cs.LG eess.IV
Dealing with Label Scarcity in Computational Pathology: A Use Case in Prostate Cancer Classification
大量未标记的数据对于计算病理学中的许多应用是常见的,而标记的数据通常在时间和成本上都是昂贵的。我们研究了无监督和有监督的深度学习方法在几乎没有标记数据时的性能。比较了三种方法:聚类自动编码器潜在向量(无监督)、与预训练的自动编码器组合的单层分类器(半监督)和监督的CNN。我们将这些方法应用于苏木精和伊红(H&E)染色的肿瘤切除术图像,以分类肿瘤与非肿瘤组织。结果表明,半/无监督的方法有一个优势,监督学习时,很少的标签。此外,我们表明,结合免疫组织化学(IHC)染色的数据提供了一个增加的性能,只使用H&E。
2019-05-16 cs.CV eess.IV
Hierarchical Vision Transformers for Context-Aware Prostate Cancer Grading in Whole Slide Images
Radboudumc(拉德堡德大学医学中心)
本文针对全切片图像尺寸过大导致视觉变换器输入序列过长的问题,提出采用层次视觉变换器(H-ViTs)进行前列腺癌分级,实验证明其性能与现有最先进方法相当。
2023-12-19 cs.AI cs.CV
A Computationally Efficient Multi-Section Whole Slide Image Analysis for Capturing Prostate Cancer Multifocality in Biochemical Recurrence Prediction
Pusan National University(釜山国立大学);Kyunghee University(庆熙大学);OmixAI Co. Ltd.(OmixAI公司);Oncocross Co. Ltd.(Oncocross公司)
本文提出一种高效的人工智能框架,通过多切片病理切片同时处理,全面分析前列腺癌肿瘤景观,提升生物化学复发预测的准确性,优于传统临床指标。
2026-10-28 cs.AI cs.CV