基于因果关系驱动的磁共振成像前列腺癌分级的单次学习

ICCVSep, 2023

基于因果关系驱动的磁共振成像前列腺癌分级的单次学习

Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI

Gianluca Carloni, Eva Pachetti, Sara Colantonio

TL;DR本研究介绍了一种新颖的方法，通过学习和利用图像中的弱因果信号来自动分类医学图像。我们的框架由一个卷积神经网络主体和一个因果提取器模块组成，该模块提取特征图之间的因果关系，可以向模型提供关于图像中某个位置的特征出现的信息，当图像的另一个位置存在其他特征时。我们通过对前列腺 MRI 图像的公开数据集进行二元和多类分类实验证明了我们的方法在低数据场景下的有效性，并通过消融研究和定性评估使用类激活图来突出强烈影响网络决策过程的区域，验证了所提出的因果驱动模块的有效性。研究结果表明，特征之间的因果关系在提高模型识别相关信息和产生更可靠、可解释的预测方面起着关键作用，这使其成为医学图像分类任务中一个有希望的方法。

Abstract

In this paper, we present a novel method to automatically classify medical images that learns and leverages weak causal signals in the image. Our framework consists of a convolutional neural network backbone and

medical images causal signals convolutional neural network causality-extractor module causal relationships

发现论文，激发创造

利用医疗影像中的因果信号：一个带有实证结果的试点研究

我们提出了一种新方法，通过利用场景中的弱因果信号来模拟图像中一个特征对另一个特征的影响，实现自动分类医学图像。我们的方法由两个组成部分组成：卷积神经网络骨干和因果因子提取模块。后者根据其对图像场景的因果影响计算特征图的权重，以增强每个特征图。我们可以通过使用两个外部信号来修改因果模块的功能，从而获得我们方法的不同变体。我们在一个公共的前列腺 MRI 图像数据集上评估了我们的方法，用于前列腺癌诊断，包括定量实验、定性评估和消融研究。我们的结果表明，我们的方法改进了分类性能，并产生更可靠的预测，重点关注图像的相关部分。这在医学成像中尤为重要，准确可靠的分类对于有效的诊断和治疗规划至关重要。

Sep, 2023

医学成像中因果关系的重要性

本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

Dec, 2019

基于位置信息的放射学报告引导的半监督学习在前列腺癌检测中的应用

通过使用未标注图像和基于病灶位置的半监督学习模型，可以改善前列腺病变检测，降低标注负担。

Jun, 2024

基于卷积神经网络的三维磁共振成像数据前列腺癌分类

评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

Apr, 2024

利用深度学习对图像中的偏导信号进行控制：肺癌生存预测

通过深度学习与结构因果模型的结合，可以实现针对肺癌患者的无偏个体预后预测。

Apr, 2019

基于病变引导的可解释少样本弱监督医疗报告生成

提出了一种病变引导的可解释性小样本医学报告生成框架，该框架通过视觉和语义特征对齐学习见过的和新疾病类型之间的相关性，从而生成未在训练中观察到的疾病的报告。

Nov, 2022

基于纹理特征分析的 mpMRI 早期前列腺癌分类

磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

Jun, 2024

深度学习在前列腺癌诊断中的应用：mpMRI 分割与分类研究

使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

Oct, 2023

医学影像分析学习算法因果关系评述

本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白，并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述，发现其具有减轻临床转化中的关键问题的潜力，但目前在临床下游研究中的应用尚有限。

Jun, 2022

结合弱监督和强监督对前列腺癌组织学图像进行分类

本研究通过联合训练两个数据集以及引入一种梯度更新机制，旨在自控弱监督信号，基于大型弱标记数据集和小型强标记数据集，自动赋予前列腺癌全层切片的格里森分数的任务。我们的方法在与标准格里森评分方法比较时取得了优异的性能。

Nov, 2018