Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification

要約

前立腺がん（PCa）は男性の間で流行している疾患であり、マルチパラメトリックMRIはその検出のための非侵襲的な方法を提供する。MRIベースのディープラーニングソリューションは、PCa診断の支援に有望であることが示されているが、特に地域の診療所では、十分な学習データの取得は依然として困難である。1つの潜在的な解決策は、ディープモデルを事前に訓練し、ローカルデータ上で微調整するために、一般に利用可能なデータセットを活用することであるが、マルチソースMRIは、領域間の分布の違いによる課題をもたらす可能性がある。これらの限界は、PCa診断のために地域のクリニックで説明可能で信頼性の高いディープラーニングソリューションの採用を妨げている。本研究では、ローカルクリニックや小規模クリニックのようなデータ制約のある環境で適用するために、前立腺マルチパラメトリックMRIの非対画像間変換のための新しいアプローチと、臨床的に重要なPCaを分類するための不確実性を考慮した学習アプローチを提示する。我々のアプローチは、3.0Tマルチパラメトリック前立腺MRIを1.5Tに変換するための新しいパイプラインを含み、それによって利用可能なトレーニングデータを増大させる。さらに、モデルの不確実性を推定するための証拠に基づく深層学習アプローチを導入し、トレーニング中にデータセットフィルタリング技術を採用する。さらに、モデルを効果的に訓練するために、焦点損失と証拠不確実性を組み合わせた、シンプルかつ効率的な証拠焦点損失を提案する。我々の実験により、提案手法が従来の手法と比較してROC曲線下面積（AUC）を20%以上大幅に改善することが実証された。我々のコードはhttps://github.com/med-i-lab/DT_UE_PCa。

要約(オリジナル)

Prostate Cancer (PCa) is a prevalent disease among men, and multi-parametric MRIs offer a non-invasive method for its detection. While MRI-based deep learning solutions have shown promise in supporting PCa diagnosis, acquiring sufficient training data, particularly in local clinics remains challenging. One potential solution is to take advantage of publicly available datasets to pre-train deep models and fine-tune them on the local data, but multi-source MRIs can pose challenges due to cross-domain distribution differences. These limitations hinder the adoption of explainable and reliable deep-learning solutions in local clinics for PCa diagnosis. In this work, we present a novel approach for unpaired image-to-image translation of prostate multi-parametric MRIs and an uncertainty-aware training approach for classifying clinically significant PCa, to be applied in data-constrained settings such as local and small clinics. Our approach involves a novel pipeline for translating unpaired 3.0T multi-parametric prostate MRIs to 1.5T, thereby augmenting the available training data. Additionally, we introduce an evidential deep learning approach to estimate model uncertainty and employ dataset filtering techniques during training. Furthermore, we propose a simple, yet efficient Evidential Focal Loss, combining focal loss with evidential uncertainty, to train our model effectively. Our experiments demonstrate that the proposed method significantly improves the Area Under ROC Curve (AUC) by over 20% compared to the previous work. Our code is available at https://github.com/med-i-lab/DT_UE_PCa

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL