分析整个前列腺,区域和病变细分和检测的域转移,使用多中心回顾数据检测
Nuno Miguel Rodrigues1, José Guilherme de Almeida2, Ana Sofia Castro Verde2
1Computational Clinical Imaging Group, Champalimaud Foundation, Portugal; LASIGE, Faculty of Sciences, University of Lisbon, Portugal.
Computers in biology and medicine
|March 5, 2024
概括
准确的前列腺癌 (PCa) 分段模型对于早期检测至关重要. 在 ProstateNet 等多样化的数据集上进行培训,可以提高模型的概括性和病变检测性能,从而提高癌症诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算瘤学是一种计算瘤学.
- 机器学习在医疗保健中的应用
背景情况:
- 前列腺癌 (PCa) 很普遍,高的生存率取决于早期检测和治疗.
- 精确的前列腺细分和病变对于计算诊断方法至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化,需要半自动解决方案.
研究的目的:
- 为前列腺,其区域和病变开发准确和强大的半自动细分模型.
- 评估在不同数据集和单一机构数据集上训练的模型的可通用性.
- 评估损伤细分模型对于损伤检测的有用性.
主要方法:
- 利用来自多个制造商和机构的庞大而多样化的 ProstateNet 数据集 (638 个全腺, 461 个损伤口罩).
- 利用3个独立的公共数据集进行全面的模型培训和验证.
- 为整个前列腺,区域和病变训练有素的细分模型.
主要成果:
- 在多样化的ProstateNet数据集上训练的模型在不同机构和扫描仪制造商中表现出卓越的概括能力.
- 这些模型在所有细分任务中表现优于在单一机构,单一制造商数据集上训练的模型.
- 在 ProstateNet 上训练的损伤细分模型在病变检测中被证明是可靠的.
结论:
- 在大型,多样化的数据集上训练机器学习模型显著提高了它们的稳定性和通用性,用于医学图像细分.
- 前列腺网数据集有助于开发有效的前列腺癌检测和诊断工具.
- 在各种数据上训练的半自动细分模型可以提高前列腺癌分析的速度和准确性.
