基于T2加权MRI的深度学习的PSMA阳性前列腺体积预测

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 前列腺癌 (PCa) 中的前列腺特异性膜抗原 (PSMA) 表达可能与标准MRI上看不到的组织病理特征相关.
• 对结构性MRI的深度学习分析有可能预测PSMA阳性.
• 仅从MRI中预测PSMA吸收可以提高PCa分期和治疗计划.

研究的目的:

• 使用PSMA PET/MRI扫描来训练神经网络,仅从轴向T2权重的MRI序列预测前列腺PSMA吸收增加.
• 评估深度结构图像分析的可行性,以预测PSMA在PCa中的表达.
• 根据MRI发现,开发PSMA吸收的预测模型.

主要方法:

• 分析了一组154名患者,他们同时接受PSMA PET/MRI,以进行PCa分期或活检指导.
• 在PSMA PET扫描中的前列腺床被二分为正和负区域,使用SUV值> 4来创建PSMA PET地图.
• 一个卷积编码解码网络 (C-ENet) 在T2加权的MRI图像上受过训练,以生成可预测的PSMA PET地图.

主要成果:

• 该研究包括154个PSMA PET/MRI扫描,在127名患者中检测到显著的癌症.
• 数据集被分为训练队列 (n=124) 和测试队列 (n=30).
• 在预测来自T2MRI的PSMA PET地图时,C-ENet模型实现了69.5%±15.6%的Dice相似系数.

结论:

• 在PET成像中前列腺PSMA吸收可能仅使用T2加权MRI可预测.
• 这种人工智能驱动的方法显示了估计PSMA吸收的潜力,有助于mpMRI解释.
• 需要对更大的队列进行进一步验证,以确认这种预测方法的准确性和临床实用性.