Anomaly-Driven Approach for Enhanced Prostate Cancer Segmentation

要約

磁気共鳴イメージング（MRI）は、臨床的に重要な前立腺癌（CSPCA）を特定する上で重要な役割を果たしますが、自動化された方法は、データの不均衡、さまざまな腫瘍サイズ、注釈付きデータの欠如などの課題に直面しています。
この研究では、CSPCAの識別を​​改善するために、二面測定MRIシーケンスから派生した異常マップを深い学習ベースのセグメンテーションフレームワークに組み込んだ異常駆動型U-NET（ADU-NET）を紹介します。
異常検出方法の比較分析を実施し、異常マップのセグメンテーションパイプラインへの統合を評価します。
固定点GAN再建を使用して生成された異常マップは、正常な前立腺組織からの逸脱を強調し、セグメンテーションモデルを潜在的な癌領域に導きます。
AUROCの平均と平均精度（AP）として計算された平均スコアを使用して、パフォーマンスを比較します。
外部テストセットでは、ADU-NETが0.618の最高の平均スコアを達成し、ベースラインNNU-NETモデル（0.605）を上回ります。
結果は、異常検出をセグメンテーションに組み込むことで、特にADCベースの異常マップで一般化とパフォーマンスが向上し、自動化されたCSPCA識別のための有望な方向性を提供することを示しています。

要約(オリジナル)

Magnetic Resonance Imaging (MRI) plays an important role in identifying clinically significant prostate cancer (csPCa), yet automated methods face challenges such as data imbalance, variable tumor sizes, and a lack of annotated data. This study introduces Anomaly-Driven U-Net (adU-Net), which incorporates anomaly maps derived from biparametric MRI sequences into a deep learning-based segmentation framework to improve csPCa identification. We conduct a comparative analysis of anomaly detection methods and evaluate the integration of anomaly maps into the segmentation pipeline. Anomaly maps, generated using Fixed-Point GAN reconstruction, highlight deviations from normal prostate tissue, guiding the segmentation model to potential cancerous regions. We compare the performance by using the average score, computed as the mean of the AUROC and Average Precision (AP). On the external test set, adU-Net achieves the best average score of 0.618, outperforming the baseline nnU-Net model (0.605). The results demonstrate that incorporating anomaly detection into segmentation improves generalization and performance, particularly with ADC-based anomaly maps, offering a promising direction for automated csPCa identification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google