基于深度学习的无监督域调整通过使用多站点双参数MRI数据集检测前列腺损伤的统一模型
Hao Li1, Han Liu1, Heinrich von Busch1
1From Digital Technology and Innovation, Siemens Healthineers, 755 College Rd E, Princeton, NJ 08540 (H. Li, H. Liu, D.C., A.K., B.L.); Diagnostic Imaging, Siemens Healthineers, Erlangen, Bavaria, Germany (H.v.B., R.G.); Vanderbilt University, Nashville, Tenn (H. Li, H. Liu, I.O.); Radboud University Medical Center, Nijmegen, the Netherlands (H.H.); New York University, New York, NY (A.T.); Universitätsspital Basel, Basel, Switzerland (D.W.); Charité, Universitätsmedizin Berlin, Berlin, Germany (T.P.); Patero Clinic, Moscow, Russia (I.S.); Eunpyeong St. Mary's Hospital, Catholic University of Korea, Seoul, Republic of Korea (M.H.C.); Department of Radiology, Changhai Hospital of Shanghai, Shanghai, China (Q.Y.); Diagnostikum Graz Süd-West, Graz, Austria (D.S.); Department of Radiology, Loyola University Medical Center, Maywood, Ill (S.S.); Department of Diagnostic Radiology, Oregon Health and Science University School of Medicine, Portland, Ore (F.C.); and Massachusetts General Hospital, Boston, Mass (M.H.).
使用生成图像进行无监督的域调整显著提高了多站点MRI扫描中前列腺癌检测准确度. 这种方法增强了监督学习模型,特别是非标准的成像协议.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 使用双参数MRI (bpMRI) 检测前列腺癌 (PCa) 面临挑战,因为不同中心的成像协议存在差异.
- 对PCa检测的监督学习 (SL) 模型可以通过多站点数据集的域移动来限制.
- 标准化图像采集参数,特别是扩散权重成像 (DWI) 中的b值,对于可靠的PCa检测至关重要.
研究的目的:
- 评估无监督域适应 (UDA) 方法的有效性,使用生成的图像来提高SL模型PCa检测的性能.
- 评估UDA对不同DWI获取参数的多站点bpMRI数据集的影响.
- 确定UDA是否可以减轻PI-RADS推的成像协议偏差引起的性能下降.
主要方法:
- 开发了一种新的UDA方法,使用统一的生成模型在不同的b值中翻译DWI (ADC和DW图像).
- 用生成的图像来取代原始图像,将它们与PI-RADS推的PCa检测b值对齐.
- 这项研究利用了来自9个成像中心的5150名患者的大型回顾性数据集,并对1692例病例进行了独立测试以进行评估.
主要成果:
- 与基线SL相比,UDA方法显著改善了PCa损伤检测的接收器操作特征曲线 (AUC) 下的区域.
- 总体上,PI-RADS 3+病变的AUC从0.73增加到0.79,PI-RADS 4+病变的AUC从0.77增加到0.80.
- 在具有重大协议偏差的具有挑战性的病例中,UDA将AUC从0.49提高到0.76 (PI-RADS 3+) 和0.50提高到0.77 (PI-RADS 4+).
结论:
- 使用生成图像进行无监督的域调整有效地提高了SL模型在多站点bpMRI中检测PCa的性能.
- 通过非标准DWI协议获得的数据集的检测准确度提高,UDA方法显示了特别的好处.
- 这种方法提供了一个有前途的策略,以提高基于人工智能的PCa检测系统在各种临床环境中的通用性和稳定性.
