用nnU-Net直接对前列腺腺进行三维细分

科学领域:

• 病理学 病理学 病理学
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 标准的前列腺癌风险分层依赖于组织形态的2D格利森分级.
• 三维 (3D) 病理学数据集提供了提高预后准确性的潜力.
• 开发高效的3D细分方法对于腺特征的计算分析至关重要.

研究的目的:

• 开发一个计算效率高,准确的深度学习模型,用于前列腺癌活检中的3D腺体细分.
• 通过简化过程和提高速度来改进现有的3D细分管道.
• 为了能够对3D腺体特征进行计算分析,以便更好地预测前列腺癌的预后.

主要方法:

• 一个深度学习模型,nnU-Net,使用前一个管道 (ITAS3D) 生成的3D腺体细分面具进行训练.
• 该模型利用了用光H&E模拟染色的前列腺活检的3D病理学数据集.
• 输入数据包括3D病理学数据集;输出包括腺上皮质,3D语义细分面具,光线和流体.

主要成果:

• nnU-Net在3D腺体细分方面取得了显著的准确性,即使训练数据有限.
• nnU-Net模型比之前的ITAS3D管道更简单,更快.
• 该模型在低分辨率的输入数据中保持了良好的准确性.

结论:

• 开发的基于深度学习的3D细分模型简化和加速了3D前列腺病理学的分析.
• 这有利于未来的研究,以验证计算3D病理学在指导前列腺癌治疗决策中的实用性.
• 该研究强调了3D病理学在改善患者风险分层和管理方面的潜力.