Enhancing Clinically Significant Prostate Cancer Prediction in T2-weighted Images through Transfer Learning from Breast Cancer

要約

2020年には、前立腺がんの新たな症例数が140万人という驚異的な数字を記録し、37万5,000人以上が死亡しました。
臨床的に重大な前立腺がんを正確に特定することは、患者に効果的な治療を提供するために非常に重要です。
その結果、磁気共鳴画像に基づいて臨床的重要性を予測するためのディープ ニューラル ネットワークの応用を探る研究が急増しています。
ただし、これらのネットワークでは最適なパフォーマンスを達成するために大規模なデータセットが必要です。
最近、転移学習は、豊富なデータを持つドメインから取得した特徴を活用して、データが限られたドメインのパフォーマンスを向上させる手法として登場しました。
この論文では、乳がんからの転移学習による、T2 強調画像における臨床的に重要な前立腺がん予測の改善を調査します。
結果は、leave-one-out 相互検証の精度が 30% 以上の顕著な向上を示しています。

要約(オリジナル)

In 2020, prostate cancer saw a staggering 1.4 million new cases, resulting in over 375,000 deaths. The accurate identification of clinically significant prostate cancer is crucial for delivering effective treatment to patients. Consequently, there has been a surge in research exploring the application of deep neural networks to predict clinical significance based on magnetic resonance images. However, these networks demand extensive datasets to attain optimal performance. Recently, transfer learning emerged as a technique that leverages acquired features from a domain with richer data to enhance the performance of a domain with limited data. In this paper, we investigate the improvement of clinically significant prostate cancer prediction in T2-weighted images through transfer learning from breast cancer. The results demonstrate a remarkable improvement of over 30% in leave-one-out cross-validation accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google