探索使用放射学和深度特征的多味特征提取在mpMRI上进行前列腺癌分级的有效性
Hasan Khanfari1, Saeed Mehranfar2, Mohsen Cheki3
1Department of Mechanical Engineering, Petroleum University of Technology, Ahvaz, Iran.
BMC medical imaging
|November 22, 2023
概括
这项研究表明,结合多参数磁共振成像 (mpMRI) 的放射学和深度特征,可以有效地分级前列腺癌. 深度特征,特别是当与主要组件分析 (PCA) 处理时,在分类癌症严重程度方面表现出卓越的表现.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 机器学习 机器学习
背景情况:
- 前列腺癌分级对于治疗决策至关重要.
- 多参数磁共振成像 (mpMRI) 提供了详细的解剖和功能信息.
- 放射学和深度学习功能显示出对非侵入性癌症表征的前景.
研究的目的:
- 调查从mpMRI中放射学和深度特征的疗效,用于前列腺癌分级.
- 引入一种新的多种风味的特征提取方法,结合多个mpMRI序列.
- 将拟议的方法与传统的分级技术进行比较.
主要方法:
- 使用了PROSTATEx-2数据集 (111名患者) 与T2W,DWI和ADC图像.
- 采用了八种融合技术来整合四个mpMRI序列,生成每个患者52个数据集.
- 提取了放射学特征 (Pyradiomics) 和深度特征 (Autoencoder),评估了五个不同的特征集.
- 应用数据预处理,包括PCA和LASSO回归,然后使用九个算法进行分类.
主要成果:
- 具有深度特征+PCA的支持矢量机 (SVM) 实现了0.94的AUC和0.79.7的平衡精度.
- 仅使用深度特征的逻辑回归产生了0.93的AUC和0.76.7的平衡精度.
- 投票分类器表现出高性能和深度特征,投票2实现了0.95的最高AUC和0.78.7的平衡精度.
结论:
- 使用放射学和深度特征的多种风味特征提取方法对前列腺癌分级有效.
- 对于精确的前列腺癌分类,深度特征似乎比仅仅放射性特征更有利.
- 这种方法为非侵入性前列腺癌分级提供了潜在的进步.
