在MRI上检测和细分前列腺癌,使用非局部口罩R-CNN与本病理基础真相

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 在术前多参数磁共振图像 (mp-MRI) 上精确检测和细分前列腺内病变 (ILs) 对前列腺癌诊断和治疗计划至关重要.
• 在临床环境中提高工作流程效率和诊断准确度是一个关键目标.

研究的目的:

• 通过使用深度学习 (DL) 算法在MRI中提高3D前列腺内病变 (ILs) 的检测和细分精度.
• 为了验证DL模型与基因病理基础真相相对应.

主要方法:

• 一项回顾性研究涉及262名前列腺双参数MRI扫描 (bp-MRI) 扫描的患者,分为三个队列进行数据分析和注释.
• 开发和应用非本地Mask R-CNN算法,与基线Mask R-CNN,3D U-Net和经验丰富的放射科医生进行性能比较.
• 评估指标包括检测率,子相似系数 (DSC),灵敏度和豪斯多夫距离 (HD).

主要成果:

• 非局部Mask R-CNN在所有格里森等级组 (GGGs) 和临床意义上的IL中实现了IL的高检测率 (高达94.7%) 和具有竞争力的DSC (高达0.604) .
• 与基线Mask R-CNN和3D U-Net.相比,该模型表现出更高的性能.
• 对于临床上显著的IL,DL模型的细分精度 (DSC: 0.604,HD: 6.36 mm) 显著高于经验丰富的放射科医生 (DSC: 0.512,HD: 8.21 mm).

结论:

• 拟议的深度学习模型在检测和细分前列腺内病变方面展示了最先进的性能.
• 这种先进的DL方法具有显著的潜力,可以改善放射治疗治疗计划和非侵入性前列腺癌诊断.