طبقه بندی سرطان پروستات با تصویر برداری رزونانس مغناطیسی چند پارامتری (mpmri) به کمک arcfaceو softmax

سرطان پروستات یکی از شایع ترین موارد سرطانی است که در میان جمعیت مردان گزارش شده و میزان مرگ و میر بالایی دارد.در حالی که بیماری های پروستات را می توان از طریق افزایش عامل افزایش دهنده پروستات (psa) شناسایی کرد،ولی نمی توان نوع بیماری های پروستات را ازpsa تشخیص داد.بیماران با سطح psaبالا باید با غربالگری چند پارامتریک (mpmri)mriآشنا شوند. mpmriسعی می کند اندازه ضایعه و موقعیت مربوط به آن را نشان دهد. بیماران مبتلا به ضایعه مشکوک باید تحت بیوپسی قرار گیرند تا درجه بدخیمی تومور از طریق نمره گلیسون مشخص شود.با این حال،مثبت کا‌ذب بیوپسی منجر به تشخیص بیش از حد می شود و باعث بار بیش از حد بر روی بیماران می شود. در این مقاله تلاش می شود تا ازطریق یادگیری متریک عمیق،از مثبت کاذب بیوپسی ها استفاده شود.برخلاف کار طبقه بندی مرسوم که تلاش می کند که نقشه برداری را از ویژگی ها به برچسب ها یاد بگیرد،یادگیری متریک عمیق ویژگی های متمایز کننده ای را اعمال می کند به طوری که اشیا با برچسب مشابه نزدیک هستند،در حالی که اشیا با برچسب متفاوت از یکدیگر دور هستند.در این کاراز mpmri با توالی تصویری ازt2،dwiوadc از 1873 بیمار استفاده کردیم.این مقاله پیشرفته ترین روش یادگیری متریک عمیق،یعنی خطای softmax مبتنی بر حاشیه را پیشنهاد می کند،که توسعه ای از تابع softmaxمعمولی است.به طور خاص، ما خطای arcface را در این کاربرای یادگیری تعبیه ویژگی های متمایزبرای قابلیت طبقه بندی بهتر تطبیق دادیم.ما در تلاش برای ترسیم یک مرز تصمیم بین بیماران مبتلا به بدخیمی و خوش خیمی تومورپروستات هستیم.علاوه بر تنظیمات تک سر،که در آن سعی میکنیم یک پایه جاسازی را بر روی یک تابع هدف بهینه کنیم،تنظیمات چندسر را معرفی کردیم، که یک پایه جاسازی را بر روی چندین تابع هدف بهینه کنیم.در حالی که هدف اولیه شناسایی بیماران بالینی مهم سرطان پروستات باقی می ماند،تنظیمات چندسر محدودیت های بیشتری را در تعبیه ویژگی های غنی فراهم می کند.به غیر از استفاده از توالی های تصویرt2، dwi ، adc به ترتیب به عنوان ورودی مدل،ما t2، dwi، adc را به عنوان ورودی کانال برای غنی سازی تطبیق دادیم. داده های ورودی برای مدل ما علاوه بر این،برای مقابله با معضل ناشی از هم ترازی های 3 دنباله تصویر،فیوژن دیرهنگام را پیاده سازی کردیم،که تلاش میکنیم تعبیه سازی را از جاسازی های به هم پیوسته t2، dwi ، adc بهینه کنیم.

classification of prostate cancer with multiparametric magnetic resonance imaging (mpmri) with the help of arcface and softmax

prostate cancer is one of the most common cancers reported among the male population and has a high mortality rate. while prostate diseases can be identified through an increase in the prostate-enhancing factor (psa), the type cannot be identified. diagnosed prostate diseases from psa. patients with high psa levels should be familiar with multiparametric mri (mpmri) screening. mpmri attempts to show the size of the lesion and its relative location. patients with suspicious lesions should undergo biopsy to determine the degree of tumor malignancy through the gleason score. however, false-positive biopsy leads to overdiagnosis and causes an excessive burden on patients. in this paper, an attempt is made to use the false positives of biopsies through deep metric learning. unlike the conventional classification work that tries to learn the mapping from features to labels, deep metric learning of distinguishing features applies so that objects with the same label are close, while objects with different labels are far from each other. in this work, we used mpmri with t2, dwi and adc image sequences from 1873 patients. this article is the most advanced deep metric learning method. , that is, it proposes a margin-based softmax error, which is an extension of the usual softmax function. in particular, we adapted the arcface error in this work to learn the embedding of distinct features for better classification capability. we try to draw a boundary we are deciding between patients with malignant and benign prostate tumors. in addition to single-headed settings, where we try to optimize an embedding basis on an objective function, we introduced multi-headed settings, which optimize an embedding basis on several functions. while the primary goal remains to identify clinically important prostate cancer patients, multihead settings provide more limitations in embedding rich features. apart from using t2, dwi, and adc image sequences, respectively, as model input, we adapted t2, dwi, adc as channel input for enrichment. input data for our model in addition, to deal with the problem caused by alignments of 3 image sequences, we implemented delayed fusion, which tries to optimize the embedding from concatenated embeddings of t2, dwi, adc.