介绍基于矩阵的方法来分析混合多维前列腺MRI数据

科学领域:

• 放射学和医学成像学 医学成像学
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 前列腺癌 (PCa) 诊断依赖于成像技术,但将癌症与正常组织区分开来可能具有挑战性.
• 混合多维MRI (HM-MRI) 提供了丰富的数据,但需要先进的分析方法.
• 目前的MRI分析方法,如明显扩散系数 (ADC) 和T2映射,在清晰地划分PCa方面存在局限性.

研究的目的:

• 引入和验证一种新的基于矩阵的方法来分析HM-MRI数据.
• 评估计算的固有值及其比率在将前列腺癌与正常组织区分开来时的有用性.
• 评估这种新型HM-MRI分析方法的潜在临床适用性.

主要方法:

• 通过取信号强度的自然对数来对HM-MRI数据进行线性化.
• 为每个像素构建一个混合对称矩阵,通过将像素的矩阵乘以其转换.
• 从混合对称矩阵计算自身价值,并定义自身价值比率 (λr) 以进行定量比较.

主要成果:

• 自值比率地图清晰可视化前列腺癌区域,与标准ADC和T2地图有显著差异.
• 与正常的前列腺组织相比,前列腺癌组织的自身值比率 (λr) 显著更大 (p < 0.001).
• 与正常组织相比,新方法在PCa中显示了显著较小的ADC和T2值.

结论:

• 基于HM-MRI数据的矩阵分析为前列腺癌检测提供了新的,临床相关的信息.
• 来自HM-MRI数据的自身值比率有效地区分前列腺癌与正常组织.
• 这种基于自值的方法是用户友好的,在临床实践中很容易实现PCa识别和分期.