通过深度转移学习在双参数磁共振成像 (bp-MRI) 上进行2.5维细分来提高临床意义上的前列腺癌的自动预测
Mengjuan Li1, Ning Ding1, Shengnan Yin1
1Department of Radiology, Suzhou Ninth People's Hospital, Suzhou Ninth Hospital Affiliated to Soochow University, Suzhou, China.
Quantitative imaging in medicine and surgery
|July 18, 2024
概括
一个新的2.5D深度转移学习模型使用双参数核磁共振 (MRI) 准确检测出侵袭性前列腺癌 (PCa). 这种先进的模型性能优于二维方法,提高了诊断性能,减少了错误判断,以更好地检测PCa.
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
- 在瘤学瘤学.
背景情况:
- 前列腺癌 (PCa) 的攻击性对于治疗决策至关重要.
- 准确检测临床显著的PCa (csPCa) 是非常重要的.
- 双参数磁共振成像 (bp-MRI) 是一个关键的诊断工具.
研究的目的:
- 为自动csPCa检测开发一个2.5维 (2.5D) 深度转移学习 (DTL) 模型.
- 使用bp-MRI.评估2.5D DTL模型的诊断性能.
- 将2.5D DTL模型与PCa攻击性评估的2D DTL模型进行比较.
主要方法:
- 使用图像采集和细分技术构建了一个DTL模型.
- 使用了231名患者 (181名csPCa,50名非csPCa) 的数据集.
- 2.5D和2D DTL模型使用接收器操作特征 (ROC) 曲线进行评估.
主要成果:
- 与2D模型相比,2.5D DTL模型显示出更高的诊断效率.
- 2.5D组合模型在区分csPCa与非csPCa方面实现了高AUC值 (0.960训练,0.949测试).
- 在DTL模型中,T2加权成像 (T2WI) 序列显示出比明显扩散系数 (ADC) 序列更好的性能.
结论:
- 一个2.5D DTL模型有效地评估了bp-MRI上的PCa攻击性.
- 与2D模型相比,2.5D模型增强了病变检测,并降低了错误判断率.
- 利用相邻图像层之间的连续信息可以提高诊断准确性.
