相关实验视频
Updated: Jun 26, 2025
09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.5K
评估深度学习重建以更快地进行前列腺MRI:视觉与诊断性能指标
Quintin van Lohuizen1, Christian Roest2, Frank F J Simonis3
1University Medical Centre Groningen, Hanzeplein 1, 9713 GZ, Groningen, The Netherlands. q.y.van.lohuizen@umcg.nl.
European radiology
|May 9, 2024
概括
深度学习 (DL) MRI重建提高图像质量,但可能降低前列腺癌检测的诊断准确性. 在临床实践中评估重建模型时,诊断AI集成至关重要.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 机器学习用于医学诊断.
背景情况:
- 深度学习 (DL) MRI重建允许更快的扫描,具有良好的视觉质量.
- 评估DL重建的诊断影响往往需要广泛的读者研究.
- 可以利用现有的诊断DL工具来评估重建的图像质量.
研究的目的:
- 用现有的诊断DL来评估DL重建的MRI图像的诊断质量.
- 将DL重建的视觉和诊断性能与标准方法进行比较.
- 确定DL重建在前列腺癌检测中的临床相关性.
主要方法:
- 对1535个双参数前列腺MRI (2016-2020) 的回顾性分析.
- 专家放射科医生确定了临床上显著的前列腺癌 (csPCa) 病变.
- 用T2加权扫描进行了低样本,并应用了DL重建 (DLRecon) 和DL检测 (DLDetect).
- 根据自由响应操作特征 (pAUC FROC) 曲线和结构相似性 (SSIM) 评估的部分面积.
主要成果:
- 在4倍和8倍的低采样时,DLRecon提高了视觉质量 (SSIM).
- 对DLRecon的诊断性能 (pAUC FROC) 显著低于完全采样扫描.
- 在较高的低样本率下观察到类似的诊断性能下降趋势.
结论:
- DL重建产生了视觉上有吸引力的MRI图像,但可能会损害诊断的准确性.
- 在临床环境中使用DL重建需要谨慎,因为癌症检测率降低.
- 整合诊断AI为采用DL重建模型在实践中提供了必要的指标.
