Decoupled conditional contrastive learning with variable metadata for prostate lesion detection

要約

前立腺がんの早期診断は、効果的な治療のために非常に重要です。
マルチパラメトリック磁気共鳴画像 (mp-MRI) は、病変の検出に広く使用されています。
Prostate Imaging Reporting and Data System (PI-RADS) は、病変の悪性度のスコアを定義することにより、前立腺 MRI の解釈を標準化しました。
PI-RADS データは放射線科レポートから容易に入手できますが、レポート間のばらつきが大きくなります。
私たちは、サンプルごとに複数のアノテーターを持つ弱いメタデータを活用し、メタデータの信頼性を定義することでレポート間の変動性を利用する、新しい対照的な損失関数を提案します。
さまざまな信頼度のメタデータと注釈なしのデータを単一の条件付きコントラスト損失関数に組み合わせることで、公開されている PI-CAI チャレンジ データセットでの病変検出で AUC が 3% 増加したことを報告します。
コードはhttps://github.com/camilleruppli/decoupled_cclで入手できます。

要約(オリジナル)

Early diagnosis of prostate cancer is crucial for efficient treatment. Multi-parametric Magnetic Resonance Images (mp-MRI) are widely used for lesion detection. The Prostate Imaging Reporting and Data System (PI-RADS) has standardized interpretation of prostate MRI by defining a score for lesion malignancy. PI-RADS data is readily available from radiology reports but is subject to high inter-reports variability. We propose a new contrastive loss function that leverages weak metadata with multiple annotators per sample and takes advantage of inter-reports variability by defining metadata confidence. By combining metadata of varying confidence with unannotated data into a single conditional contrastive loss function, we report a 3% AUC increase on lesion detection on the public PI-CAI challenge dataset. Code is available at: https://github.com/camilleruppli/decoupled_ccl

arxiv情報

提供元, 利用サービス

arxiv.jp, Google