Z-SSMNet: A Zonal-aware Self-Supervised Mesh Network for Prostate Cancer Detection and Diagnosis in bpMRI

要約

前立腺癌 (PCa) は、男性に最も多い癌の 1 つであり、世界中の多くの人々が臨床的に重要な PCa (csPCa) で死亡しています。
非侵襲的で費用対効果が高く、マルチパラメトリック MRI (mpMRI) と比較してより効率的なバイパラメトリック MRI (bpMRI) における csPCa の早期診断は、PCa の精密治療に貢献できます。
人工知能 (AI) アルゴリズムの急速な台頭により、csPCa の診断と理解に役立つ意思決定支援システムの提供において、前例のない改善が可能になっています。
ただし、ディープラーニング技術に基づく既存の最先端の AI アルゴリズムは、多くの場合、2D 画像に限定されており、3D ボリューム画像でスライス間の相関関係を捉えることができません。
3D 畳み込みニューラル ネットワーク (CNN) を使用すると、この制限を部分的に克服できますが、画像の異方性に適応できず、最適でない意味表現と不十分な一般化が発生します。
さらに、bpMRI のラベル付けされたデータの量の制限とラベル付けの難しさのために、既存の CNN は比較的小さなデータセットに基づいて構築されており、パフォーマンスが低下しています。
上記の制限に対処するために、複数の 2D、2.5D、および 3D CNN を適応的に融合して、まばらなスライス間情報と密なスライス内情報の表現のバランスを効果的に調整する、新しいゾーン対応の自己教師ありメッシュ ネットワーク (Z-SSMNet) を提案します。
bpMRI の情報。
自己教師あり学習 (SSL) 手法がさらに導入され、ラベル付けされていないデータを使用してネットワークを事前トレーニングし、一般化可能な画像の特徴を学習します。
さらに、csPCaの診断精度を向上させるために、ゾーン固有のドメイン知識を理解するようにネットワークを制限しました。
PI-CAIチャレンジデータセットの実験は、提案された方法がbpMRIでのcsPCaの検出と診断のパフォーマンスを向上させることを示しています。

要約(オリジナル)

Prostate cancer (PCa) is one of the most prevalent cancers in men and many people around the world die from clinically significant PCa (csPCa). Early diagnosis of csPCa in bi-parametric MRI (bpMRI), which is non-invasive, cost-effective, and more efficient compared to multiparametric MRI (mpMRI), can contribute to precision care for PCa. The rapid rise in artificial intelligence (AI) algorithms are enabling unprecedented improvements in providing decision support systems that can aid in csPCa diagnosis and understanding. However, existing state of the art AI algorithms which are based on deep learning technology are often limited to 2D images that fails to capture inter-slice correlations in 3D volumetric images. The use of 3D convolutional neural networks (CNNs) partly overcomes this limitation, but it does not adapt to the anisotropy of images, resulting in sub-optimal semantic representation and poor generalization. Furthermore, due to the limitation of the amount of labelled data of bpMRI and the difficulty of labelling, existing CNNs are built on relatively small datasets, leading to a poor performance. To address the limitations identified above, we propose a new Zonal-aware Self-supervised Mesh Network (Z-SSMNet) that adaptatively fuses multiple 2D, 2.5D and 3D CNNs to effectively balance representation for sparse inter-slice information and dense intra-slice information in bpMRI. A self-supervised learning (SSL) technique is further introduced to pre-train our network using unlabelled data to learn the generalizable image features. Furthermore, we constrained our network to understand the zonal specific domain knowledge to improve the diagnosis precision of csPCa. Experiments on the PI-CAI Challenge dataset demonstrate our proposed method achieves better performance for csPCa detection and diagnosis in bpMRI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google