基于多尺度统计变形的前列腺MRI和手术后全山组织病理学的联合注册

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 机器学习 机器学习

背景情况:

• 使用机器学习模型进行精确的前列腺癌 (PCa) 检测和细分依赖于多参数MRI (mpMRI) 上的精确感兴趣区域 (ROI).
• 手动的ROI划分是耗时的,容易导致读者之间的变化.
• 组织病理学提供了黄金标准的疾病范围划分,但由于人工物和变形,将其与MRI共同注册是具有挑战性的.

研究的目的:

• 介绍MSERgSDM,一个新的多尺度基于特征的注册 (MSERg) 管道,具有统计变形 (SDM) 约束.
• 为了提高前列腺癌分析的ex vivo整体山本病理学图像 (WMHs) 和体内MRI之间的共同注册的准确性.

主要方法:

• 开发了MSERgSDM管道,使用85个MRI-WMH对来自48名患者的3个队列.
• 采用类似和非刚性注册,包括多尺度表示和SDM构建.
• 将MSERgSDM与基于强度的注册,ProsRegNet和MSERg进行比较,使用ROI Dice比率和里程碑距离.

主要成果:

• MSERgSDM的表现与基本真相相比 (p > 0.05).
• 与其他方法相比,在局部对齐方面取得了显著的改进:MSERgSDM (ROI Dice比 = 0.61,里程碑距离 = 3.26 mm) 优于MSERg (0.59,3.69 mm) 和ProsRegNet (0.56,4.00 mm).

结论:

• MSERgSDM是一种新的方法,用于将ex vivo WMH映射到体内前列腺MRI.
• 该工具有助于将基底真相疾病注释从组织病理学转移到MRI,支持用于PCa检测的机器学习模型的开发.