要約
磁気共鳴画像法は前立腺がん (PCa) 検出の重要なコンポーネントとして進化し、放射線科医の作業負荷を大幅に増加させています。
人工知能 (AI) システムは、病変を臨床的に重要な (csPCa) と臨床的に重要でない (ncsPCa) にセグメント化して分類することにより、放射線学的評価をサポートできます。
一般に、PCa 検出用の AI システムには、前立腺の自動セグメンテーションと、その後に抽出された前立腺を使用した病変検出が含まれます。
ただし、評価レポートは通常、高精度のセグメンテーションの利用可能性と理想的なシナリオを前提とした検出の観点から提示され、モジュール間のエラーの伝播は省略されます。
この目的のために、検出段階で異質なパフォーマンスを持つ 2 つの異なるセグメンテーション ネットワーク (s1 と s2) の効果を評価し、理想的な設定 (s1:89.90+-2.23 vs 88.97+-3.06 ncsPCa、P<.001) と比較します。
、89.30+-4.07および88.12+-2.71 csPCa、P<.001)。
私たちの結果は、システムに関与するすべてのサブモジュールを考慮した総合的な評価の関連性を示しています。
要約(オリジナル)
Magnetic resonance imaging has evolved as a key component for prostate cancer (PCa) detection, substantially increasing the radiologist workload. Artificial intelligence (AI) systems can support radiological assessment by segmenting and classifying lesions in clinically significant (csPCa) and non-clinically significant (ncsPCa). Commonly, AI systems for PCa detection involve an automatic prostate segmentation followed by the lesion detection using the extracted prostate. However, evaluation reports are typically presented in terms of detection under the assumption of the availability of a highly accurate segmentation and an idealistic scenario, omitting the propagation of errors between modules. For that purpose, we evaluate the effect of two different segmentation networks (s1 and s2) with heterogeneous performances in the detection stage and compare it with an idealistic setting (s1:89.90+-2.23 vs 88.97+-3.06 ncsPCa, P<.001, 89.30+-4.07 and 88.12+-2.71 csPCa, P<.001). Our results depict the relevance of a holistic evaluation, accounting for all the sub-modules involved in the system.
arxiv情報
| 著者 | Erlend Sortland Rolfsnes,Philip Thangngat,Trygve Eftestøl,Tobias Nordström,Fredrik Jäderling,Martin Eklund,Alvaro Fernandez-Quilez |
| 発行日 | 2023-09-15 13:15:09+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google