整合前列腺特异性抗原密度生物标志物进入深度学习前列腺MRI损伤细分模型
Jiayang Zhong1, Lawrence H Staib1,2,3, Rajesh Venkataraman4
1Department of Biomedical Engineering, Yale University, New Haven, CT, USA.
Proceedings. IEEE International Symposium on Biomedical Imaging
|December 13, 2023
概括
将前列腺特异性抗原密度 (PSAD) 集成到深度学习模型中,可以显著改善MRI扫描中的前列腺癌病变细分. 这提高了针对性活检的诊断准确性.
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:
- 在多参数磁共振成像 (mpMRI) 中精确的前列腺癌病变细分对于诊断和活检指导至关重要.
- 目前的深度学习模型因病变大小和位置的变化而难以进行细分.
- 提高细分性能对于更好的患者结果至关重要.
研究的目的:
- 通过整合前列腺特异性抗原密度 (PSAD) 生物标志物,在mpMRI中增强前列腺癌病变细分.
- 控制深度学习模型中的病变大小预测,使用特征智能的转换.
- 为了提高临床应用的自动细分的准确性.
主要方法:
- 开发了一个深度学习模型,通过特征智能转换集成PSAD生物标志物.
- 条件潜伏空间特征来控制损伤大小的预测.
- 在214张注释的mpMRI扫描的公共数据集上评估了该模型.
- 与基线3D U-Net模型进行性能比较.
主要成果:
- 集成PSAD的模型显示了显著改善的细分性能.
- 诸如子系数和心身距离等关键指标显示出了显著的增强.
- 整合有效地解决了病变大小和位置变化带来的挑战.
结论:
- 将PSAD生物标志物集成到深度学习模型中是改善前列腺癌病变细分在mpMRI中的有效策略.
- 这种方法为活检前诊断和有针对性的活检指导提供了有希望的进步.
- 这些发现突出了将临床生物标志物与人工智能结合起来,以进行增强的医学图像分析的潜力.
