PURPOSE Ultrasound imaging is routinely used in prostate biopsy, which involves obtaining prostate tissue samples using a systematic, yet, non-targeted approach. This approach is blinded to individual patient intraprostatic pathology, and unfortunately, has a high rate of false negatives. METHODS In this paper, we propose a deep network for improved detection of prostate cancer in systematic biopsy. We address several challenges associated with training such network: (1) Statistical labels: Since biopsy core's pathology report only represents a statistical distribution of cancer within the core, we use multiple instance learning (MIL) networks to enable learning from ultrasound image regions associated with those data; (2) Limited labels: The number of biopsy cores are limited to at most 12 per patient. As a result, the number of samples available for training a deep network is limited. We alleviate this issue by effectively combining Independent Conditional Variational Auto Encoders (ICVAE) with MIL. We train ICVAE to learn label-invariant features of RF data, which is subsequently used to generate synthetic data for improved training of the MIL network. RESULTS Our in vivo study includes data from 339 prostate biopsy cores of 70 patients. We achieve an area under the curve, sensitivity, specificity, and balanced accuracy of 0.68, 0.77, 0.55 and 0.66, respectively. CONCLUSION The proposed approach is generic and can be applied to several other scenarios where unlabeled data and noisy labels in training samples are present.

中文翻译：

---

多实例学习与标记不变的合成数据相结合，以指导系统的前列腺活检：一项可行性研究。

目的超声成像通常用于前列腺穿刺活检，这涉及使用系统化但非靶向的方法获得前列腺组织样本。这种方法对个别患者的前列腺内病理视而不见，并且不幸的是，假阴性率很高。方法在本文中，我们提出了一个用于在系统活检中改善对前列腺癌检测的深度网络。我们解决了与训练此类网络相关的几个挑战：（1）统计标签：由于活检核心的病理报告仅代表核心内癌症的统计分布，因此我们使用多实例学习（MIL）网络来从与超声相关的超声图像区域进行学习这些数据；（2）标签数量有限：每个病人的活检芯数最多为12个。结果是，用于训练深层网络的样本数量有限。我们通过将独立的条件变式自动编码器（ICVAE）与MIL进行有效结合来缓解此问题。我们训练ICVAE来学习RF数据的标签不变特征，随后将其用于生成综合数据以改进MIL网络的训练。结果我们的体内研究包括来自70位患者的339个前列腺活检组织的数据。我们获得的曲线下面积，灵敏度，特异性和平衡精度分别为0.68、0.77、0.55和0.66。结论所提出的方法是通用的，可以应用于训练样本中存在未标记数据和嘈杂标记的其他几种情况。我们通过将独立的条件变式自动编码器（ICVAE）与MIL进行有效结合来缓解此问题。我们训练ICVAE来学习RF数据的标签不变特征，随后将其用于生成综合数据以改进MIL网络的训练。结果我们的体内研究包括来自70位患者的339个前列腺活检组织的数据。我们获得的曲线下面积，灵敏度，特异性和平衡精度分别为0.68、0.77、0.55和0.66。结论所提出的方法是通用的，可以应用于训练样本中存在未标记数据和嘈杂标记的其他几种情况。我们通过将独立的条件变式自动编码器（ICVAE）与MIL进行有效结合来缓解此问题。我们训练ICVAE来学习RF数据的标签不变特征，随后将其用于生成综合数据以改进MIL网络的训练。结果我们的体内研究包括来自70位患者的339个前列腺活检组织的数据。我们获得的曲线下面积，灵敏度，特异性和平衡精度分别为0.68、0.77、0.55和0.66。结论所提出的方法是通用的，可以应用于训练样本中存在未标记数据和嘈杂标记的其他几种情况。结果我们的体内研究包括来自70位患者的339个前列腺活检组织的数据。我们获得的曲线下面积，灵敏度，特异性和平衡精度分别为0.68、0.77、0.55和0.66。结论所提出的方法是通用的，可以应用于训练样本中存在未标记数据和嘈杂标记的其他几种情况。结果我们的体内研究包括来自70位患者的339个前列腺活检组织的数据。我们获得的曲线下面积，灵敏度，特异性和平衡精度分别为0.68、0.77、0.55和0.66。结论所提出的方法是通用的，可以应用于训练样本中存在未标记数据和嘈杂标记的其他几种情况。