ssVERDICT:自我监督的VERDICT-MRI用于增强前列腺瘤特征
Snigdha Sen1, Saurabh Singh2, Hayley Pye3
1Center for Medical Image Computing, Department of Computer Science, University College London, London, UK.
Magnetic resonance in medicine
|June 9, 2024
概括
自主监督的机器学习为VERDICT模型 (ssVERDICT) 准确地适应前列腺癌扩散MRI数据没有培训标签. 这种新方法在模拟和患者数据分析方面优于现有的技术.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 在瘤学瘤学.
背景情况:
- 扩散MRI模型,如VERDICT (血管,细胞外和受限扩散用于瘤细胞计量) 对于前列腺癌的特征是至关重要的.
- 准确的模型适配对于可靠的定量分析和临床决策至关重要.
研究的目的:
- 开发和评估一种自我监督的机器学习方法,以适应VERDICT模型在前列腺癌中.
- 评估这种自我监督方法与传统和监督深度学习技术的性能.
主要方法:
- 一个新的自我监督的神经网络 (ssVERDICT) 衍生出来,可以在不需要训练数据的情况下估计VERDICT参数图.
- 使用模拟数据 (皮尔森相关系数,MSE,偏差,变异) 和来自20名前列腺癌患者的体内数据,对表现进行了定量评估.
主要成果:
- ssVERDICT在模拟中表现出高于非线性最小平方和监督深度学习的性能,实现了更好的参数估计.
- 在体内分析显示,使用ssVERDICT增强了病变的明显性和改善了良性和癌症前列腺组织之间的歧视.
结论:
- 自主监督的VERDICT模型装配 (ssVERDICT) 显著优于当前最先进的方法.
- 这项研究展示了机器学习的首次成功应用,用于安装复杂的生物物理扩散MRI模型,而无需标记训练数据.
