经直肠超声中临床显著性前列腺癌的计算机辅助诊断

《Journal of Imaging Informatics in Medicine》：Computer-Aided Diagnosis of Clinically Significant Prostate Cancer in Transrectal Ultrasound

　　使用经直肠超声（TRUS）诊断临床显著性前列腺癌（csPCa）仍然是一项具有挑战性的任务，原因在于图像对比度有限以及恶性病变表现细微。本研究提出了一种新的混合框架，将多模态与多任务学习相结合，用于从TRUS数据中对csPCa进行分类。该框架通过双流编码器利用B超与应变弹性成像（SE）中的互补信息，并在每一层级引入跨模态注意力门（CMAG）模块进行增强。这些CMAG模块首先自适应地融合跨模态特征，随后采用门控机制来调控跨模态上下文信息流入各模态专属分支的过程。为缓解分割标注稀缺的问题，我们提出了一种多尺度原型引导学习（MSPL）策略，通过利用多个特征尺度上学习到的原型，将监督信号从少量已标注样本传播至未标注样本。这一设计使得任务共享的编码器能够受益于分割分支所捕捉到的结构线索，即便仅有最少的体素级监督。此外，上下文感知的多尺度分类器（CMSC）聚合层级化的解码器特征，以进一步挖掘分类任务与分割任务之间的协同效应。本方法在包含612例接受前列腺活检受试者的自有数据集上进行了评估，在识别csPCa方面取得了良好性能，曲线下面积（AUC）达到0.86。广泛的对比与消融实验结果进一步凸显了引入跨模态交互、原型引导学习以及上下文感知分类对于实现精准且标注高效的csPCa诊断的有效性。代码已公开发布于：https://github.com/mock1ngbrd/ProstateMMTNet