Feb, 2024

多模态经直肠超声视频分类用于临床显著前列腺癌鉴定

PDF
TL;DR为了有效识别临床显著性前列腺癌 (csPCa)，我们提出了一个利用多模态经直肠超声 (TRUS) 视频进行临床显著性前列腺癌的分类的框架。该框架利用两个 3D ResNet-50 模型从 B 模式图像和剪切波弹性成像图像中提取特征。引入了自适应空间融合模块来聚集两种模态的特征，同时使用正交正则化损失来减轻特征的冗余。在包含 512 个 TRUS 视频的内部数据集上对该框架进行评估，其在识别 csPCa 方面取得了有利的表现，AUC 为 0.84。此外，从该框架生成的视觉类激活映射 (CAM) 图像可能为 csPCa 的定位提供有价值的指导，从而促进 TRUS 引导的靶向活检。我们的代码公开在此 https 网址。
prostate cancertransrectal ultrasoundclassificationresnet-50 modelscspca
发现论文，激发创造
  • 面向经直肠超声诊断中临床重要前列腺癌分类的多模态融合与基于原型的特征细化

    提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

    Jun, 2024

  • 前列腺超声图像处理方法综述

    通过对前列腺癌患者进行超声影像处理及诊断的综合分析，本文总结了图像处理方法在超声影像分析中的演变，并强调了其相关贡献，同时讨论了目前的挑战和未来的研究方向。

    Jun, 2024

  • ProsDectNet: 桥接前列腺癌检测中的差距通过经直肠 B 模式超声成像

    我们提出了一种多任务深度学习方法 ProsDectNet，用于在 B 超成像中定位前列腺癌，通过最小化熵以改善模型性能，减少误报预测。在 MRI-TRUS 融合针刺活检的 289 名患者中训练和验证 ProsDectNet，然后在另外 41 名患者上进行测试，结果显示 ProsDectNet 在 B 超成像中检测前列腺癌的敏感性为 74％，特异性为 67％。我们的研究表明 ProsDectNet 有潜力用作计算机辅助诊断系统，以改善针刺活检和治疗规划。

    Dec, 2023

  • MUVF-YOLOX: 用于肾肿瘤诊断的多模态超声视频融合网络

    本文旨在将 B 模式和 CEUS 模式超声视频相结合，提出一种新的多模式超声视频融合网络，用于肾肿瘤的检测和分类，并在多中心数据集上进行了实验验证。实验结果表明，该方法优于竞争方法并提高了肿瘤诊断的准确率。

    Jul, 2023

  • 3D 经直肠超声前列腺分割的深度关注特征

    该论文开发了一种新颖的 3D 深度神经网络，配备了注意力模块，以便更好地在 TRUS 中进行前列腺分割，通过充分利用卷积神经网络的不同层次所编码的互补信息选择性地利用来自不同层次集成的多级特征，抑制 CNN 浅层的非前列腺噪声，并在深层次中增加更多的前列腺细节。实验结果表明，该方法在具有挑战性的 3D TRUS 数据上达到了令人满意的分割性能。

    Jul, 2019

  • 超声数据中前列腺癌检测图像变换的基准测试

    用深度学习方法结合卷积网络和 transformers 的多尺度方法在前列腺癌的超声图像分类中表现最佳，而多目标学习可以提高性能。

    Mar, 2024

  • 利用图像翻译进行领域转移，提高前列腺癌分类的不确定性感知能力

    本文提出了一种用于翻译未配对的前列腺 mp-MRI 图像以分类有临床意义的前列腺癌的新方法，通过培训在低数据大小的数据限制性环境中使用的证据深度学习方法的模型来改善性能和预测不确定性。

    Jul, 2023

  • 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

  • 使用自监督学习的时空双流网络对径向探针支气管内超声视频中的肺部肿瘤进行分类

    本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

    May, 2023

  • 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