基于ResNet-18的深度学习,用于前列腺成像报告和数据系统3类病变的分类
Zhen Kang1, Enhua Xiao2, Zhen Li1
1Department of Radiology, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, Hubei Province, China.
Academic radiology
|February 1, 2024
概括
一个深度学习模型准确地使用T2加权的MRI图像对前列腺成像报告和数据系统 (PI-RADS) 3病变进行分类. 这种人工智能工具有效地区分良性前列腺疾病,非临床显著的前列腺癌 (非csPCa) 和临床显著的前列腺癌 (csPCa).
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 前列腺成像报告和数据系统 (PI-RADS) 3病变存在诊断方面的挑战.
- 准确的分类对于适当的患者管理至关重要.
- 区分良性和恶性前列腺疾病是必要的.
研究的目的:
- 评估PI-RADS 3前列腺病变深度学习模型的分类和预测有效性.
- 要区分良性前列腺病变,非临床显著的前列腺癌 (非csPCa) 和临床显著的前列腺癌 (csPCa).
主要方法:
- 从多参数或双参数MRI中PI-RADS 3病变的回顾性分析 (2015年1月至2021年12月).
- 根据病理结果进行分类,分为良性,非csPCa和csPCa类.
- 在T2加权图像上训练ResNet-18深度学习模型 (80%的训练,20%的测试).
- 使用接收器操作特征 (ROC) 曲线评估性能,并使用T-SNE和类激活映射可视化.
主要成果:
- 这项研究包括428张良性图像,158张非csPCa图像和273张csPCa图像.
- 深度学习模型实现了高精度:良性为0.882,非csPCa为0.681和csPCa为0.851.
- 在ROC曲线下的面积值为0.875 (良性),0.89 (非csPCa) 和0.929 (csPCa).
- 语义特征分析表明,cspca和良性病变之间存在明显的分离.
结论:
- 使用T2加权图像和ResNet-18的深度学习模型可以准确地对PI-RADS 3前列腺病变进行分类.
- 该模型显示,在区分良性状况与各种等级的前列腺癌方面,存在很强的潜力.
- 类激活映射证实该模型专注于相关的前列腺损伤区域.
