iPCa-Net:一种基于CNN的框架,用于使用多参数MRI预测偶发的前列腺癌
Lijie Wen1, Simiao Wang2, Xianwei Pan2
1Department of Urology, The Second Affiliated Hospital of Dalian Medical University, Dalian 116027, China.
概括
这项研究介绍了iPCa-Net,这是一个深度学习模型,用于使用MRI早期检测前列腺癌. 新的框架改善了偶发性前列腺癌 (iPCa) 的细分和预测,有助于临床管理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 偶发性前列腺癌 (iPCa) 是临床显著前列腺癌 (csPCa) 的早期无症状形式.
- 由于微妙的MRI差异和不平衡的数据集,检测iPCa具有挑战性.
研究的目的:
- 开发和评估一个深层卷积神经网络 (CNN) 框架,iPCa-Net,用于从前列腺MRI中预测iPCa.
- 解决 iPCa 预测中微妙的图像差异和样本不平衡的挑战.
主要方法:
- 提出了iPCa-Net,这是一个CNN框架,旨在对关节前列腺过渡区细分和iPCa预测.
- 利用9536个前列腺MRI切片的数据集,来自448名良性前列腺增生症 (BPH) 患者.
- 将iPCa-Net与八种细分和九种预测最先进的方法进行比较.
主要成果:
- 与现有方法相比,iPCa-Net 在这两项任务中都取得了更高的性能.
- 超过了顶部细分方法的1.23%在mIoU.
- 在F1得分中超过了顶级预测方法的2.06%.
结论:
- iPCa-Net显示了早期和准确识别iPCa患者的巨大潜力.
- 这一进步可以极大地有利于疾病管理和患者的治疗结果.
- 该模型的联合优化方法有效地处理细分和预测挑战.
