使用深度神经网络进行前列腺癌多参数超声波成像
Derek Y Chan1, D Cody Morris1, Spencer R Moavenzadeh1
1Department of Biomedical Engineering, Duke University, Durham, NC, USA.
Ultrasound in medicine & biology
|August 22, 2024
概括
深度神经网络 (DNN) 有效地产生多参数超声波 (mpUS) 前列腺图像用于癌症检测. 这种先进的DNN方法显著改善了损伤的对比,与以前的方法相比.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 前列腺癌诊断的诊断方法
背景情况:
- 准确的前列腺癌检测对于有效治疗至关重要.
- 多参数超声波 (mpUS) 结合了多种成像模式,以增强可视化.
- 深度神经网络 (DNN) 在改善医疗图像分析方面表现有前途.
研究的目的:
- 训练DNN生成mpUS卷用于前列腺癌检测.
- 与现有方法相比,评估DNN生成的mpUS体积的性能.
- 确定为DNN模型做出贡献的关键超声波模式.
主要方法:
- 通过共同注册的声波辐射力脉冲 (ARFI) 成像,剪波弹性成像 (SWEI),定量超声中频合适 (QUS-MF) 和B模式数据来训练DNN.
- 在进行激进前列腺切除术之前,从15名经过活检确认的前列腺癌患者获得数据.
- 组织病理学数据用于指数病变和非癌症区域的手动细分.
主要成果:
- 与线性支向量机 (SVM) 相比,DNN在幻影和体内研究中显著增加了损伤对比度和噪声比率 (CNR) (2.79 ± 0.88对1.98 ± 0.73,p < 0.001).
- 通过DNN生成的mpUS卷清楚地描绘了经组织病理学证实的前列腺癌.
- 省略输入方式减少了CNR,突出了基于硬度和回声效应的数据的重要性.
结论:
- 通过多种超声波方式,可以优化DNN以产生高CNRmpUS的前列腺体积.
- 与线性SVM相比,DNN方法在前列腺癌检测方面表现优越.
- 这种人工智能驱动的方法增强了mpUS对前列腺癌的诊断能力.
