在T2加权的MRI中发现前列腺癌攻击性信号,通过三参考组织正常化技术

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 定量T2加权MRI (T2W) 解释是具有挑战性的,因为收购参数的变化.
• 标准化的T2W强度正常化对于准确的前列腺癌评估至关重要.

研究的目的:

• 开发和验证前列腺T2W强度正常化的自动化方法.
• 评估正常化对将前列腺癌与正常组织区分开来的影响.
• 评估正常化的T2W强度与前列腺癌攻击性的相关性.

主要方法:

• 使用深度学习网络 (MASK R-CNN) 来自动细分参考组织 (大肌,大腿肌,膀).
• 一个配合参考组织中平均强度的spline函数规范了T2W强度.
• 在前列腺癌感兴趣区域 (ROI) 和看起来正常的前列腺组织 (NAT) 之间使用Student的t-test进行了T2W分布的比较.
• 斯皮尔曼相关系数评估了与格里森分数 (GS),解密基因组分数和前列腺癌风险的关联.

主要成果:

• 自动化规范化显著增加了ROI和NAT之间的T2W差异.
• 正常化的T2W强度与GS,解码得分和前列腺癌风险有显著的负相关性.
• 侵袭性前列腺癌病变与惰性病变相比,其正常化T2W强度明显较低.

结论:

• 自动化的三重参考组织正常化方法提高了MRI前列腺癌的歧视.
• 正常化的T2W强度与瘤的攻击性相关,有助于风险分层.
• 这种方法改善了T2W成像用于前列腺癌评估的定量使用.