Towards Confident Detection of Prostate Cancer using High Resolution Micro-ultrasound

要約

動機：経直腸的超音波ガイド下生検中の前立腺癌の検出は困難です。
癌の非常に不均一な外観、超音波アーチファクトの存在、およびノイズはすべて、これらの困難に寄与しています。
高周波超音波イメージング（マイクロ超音波）の最近の進歩により、高解像度での組織イメージングの機能が大幅に向上しました。
私たちの目的は、特にマイクロ超音波ガイド下前立腺癌生検のための堅牢な深層学習モデルの開発を調査することです。
モデルが臨床的に採用されるための重要な課題は、弱いラベルを導入する生検サンプルの粗い組織病理学的測定から学びながら、自信を持って癌を特定できるソリューションを設計することです。
方法：前立腺生検を受けた194人の患者から取得したマイクロ超音波画像のデータセットを使用します。
ラベルのノイズを処理するための共同教育パラダイムと、不確実性推定のための証拠となる深層学習法を使用して、深層モデルをトレーニングします。
精度と信頼度の臨床的に関連する指標を使用して、モデルのパフォーマンスを評価します。
結果：私たちのモデルは、88 $ \％$の曲線の下の面積で予測の不確実性の十分に較正された推定を達成します。
共同教育と証拠の深層学習を組み合わせて使用​​すると、どちらかを単独で使用するよりも大幅に優れた不確実性の推定が得られます。
また、不確実性の推定における最新技術との詳細な比較も提供します。

要約(オリジナル)

MOTIVATION: Detection of prostate cancer during transrectal ultrasound-guided biopsy is challenging. The highly heterogeneous appearance of cancer, presence of ultrasound artefacts, and noise all contribute to these difficulties. Recent advancements in high-frequency ultrasound imaging – micro-ultrasound – have drastically increased the capability of tissue imaging at high resolution. Our aim is to investigate the development of a robust deep learning model specifically for micro-ultrasound-guided prostate cancer biopsy. For the model to be clinically adopted, a key challenge is to design a solution that can confidently identify the cancer, while learning from coarse histopathology measurements of biopsy samples that introduce weak labels. METHODS: We use a dataset of micro-ultrasound images acquired from 194 patients, who underwent prostate biopsy. We train a deep model using a co-teaching paradigm to handle noise in labels, together with an evidential deep learning method for uncertainty estimation. We evaluate the performance of our model using the clinically relevant metric of accuracy vs. confidence. RESULTS: Our model achieves a well-calibrated estimation of predictive uncertainty with area under the curve of 88$\%$. The use of co-teaching and evidential deep learning in combination yields significantly better uncertainty estimation than either alone. We also provide a detailed comparison against state-of-the-art in uncertainty estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google