Benchmarking Image Transformers for Prostate Cancer Detection from Ultrasound Data

目的：在超声图像中对前列腺癌（PCa）进行分类的深度学习方法通常采用卷积网络（CNN）来检测沿针迹区域的小感兴趣区域（ROI）中的癌症。然而，这种方法存在标注不足的问题，因为地面真实组织学标签并不描述单个ROI的特性。最近，多尺度方法试图通过将变压器的上下文感知与CNN特征提取器相结合，使用多实例学习（MIL）从多个ROI中检测癌症来缓解这个问题。在这项工作中，我们对几种图像变换器体系结构进行了详细研究，用于ROI尺度和多尺度分类，并比较了基于CNN和变压器的超声前列腺癌分类的性能。我们还设计了一种新颖的多目标学习策略，将ROI和核心预测相结合，以进一步减轻标签噪声。方法：我们评估了3种图像变换器用于ROI尺度癌症分类，然后使用最强的模型来调整使用MIL的多尺度分类器。我们使用我们的新颖多目标学习策略来训练我们的MIL模型，并将结果与现有基线进行比较。结果：我们发现，对于ROI尺度和多尺度PCa检测，图像变换器的骨干网络落后于它们的CNN对应物。对于较大的模型，性能的差距更加明显。当使用多目标学习时，我们可以提高MIL的性能，具有77.9%的AUROC，75.9%的灵敏度和66.3%的特异度。结论：卷积网络更适合建模前列腺超声稀疏数据集，产生比变压器更强的特征，用于PCa检测。多尺度方法仍然是这项任务的最佳体系结构，多目标学习提供了一种提高性能的有效方法。

比较卷积神经网络和图像变换器在前列腺癌分类中的表现，提出一种新的多目标学习策略来改善标签噪声

卷积神经网络比图像变换器更适合处理前列腺超声数据集，多尺度方法是最佳的架构，多目标学习可以有效提高性能

论文详细研究了几种图像变换器的架构，设计了一种新的多目标学习策略来改善标签噪声，使用多尺度方法进行前列腺癌分类，实验结果表明卷积神经网络比图像变换器更适合处理前列腺超声数据集，多尺度方法是最佳的架构，多目标学习可以有效提高性能

前列腺癌分类的相关研究包括：'Prostate cancer diagnosis using deep learning with 3D multiparametric MRI'，'Prostate cancer diagnosis with deep learning: a review'，'Multi-parametric MRI and radiomics in prostate cancer: a review'等