False Positive Reduction Using Multiscale Contextual Features for Prostate Cancer Detection..论文笔记

论文目标是病灶检测，参考了别的论文的一个模型，FPR模块的作用可以作为目标检测模型的后处理，具体内容如下：

1.Introduction

在不同的MRI扫描对比中，在前列腺癌和良性组织之间强度的相似度很高。再加上癌性病变的大小差异，使得前列腺癌性病变的检测（减少假阳性）特别具有挑战性。
目标检测模型检测到的病灶可以看作是候选病灶，需要进一步分析和区分真假病灶。检测网络使用前列腺成像报告和数据系统(PI-RADS)评分作为GT，PI-RADS评分等于或大于3的病变被认为具有临床意义。

2.模型总结

检测模型：Res-Unet,2D模型
输入（b,4,h,w）–>(b,1,h,w)，输入T2w，DWI ADC,DWI B-2000，前列腺区域mask（T2w模态送入分割网络得到），病灶3D msks为GT
根据3D联通区域的峰值确定为病灶中心和中心切片
根据中心位置和切片裁剪区域得到64，32，48大小的ROI
三个模态数据和三种不同视野的裁剪后图像共9通道送入FPR
得到临床有无意义分类，修正检测模型假阳性

3.实验结果

数据集：
来自7家医院的2170例患者作为训练集，ProstateX的243例病人作为测试集
FPR的训练：
数据增强：平移、旋转、翻转
GT标签仅来自中间的切片。
理解：FP、TP的判别基于中间切片的预测结果和对应的病灶mask的位置关系
FPR实验结果
2D 样本级：单例病人单张切片的预测结果
3D component 样本级：平均上中下三个切片
病例级别：是否该病人有临床有意义的病灶