在bpMRI中增强前列腺癌细分:将区域意识集成到以注意为导向的U-Net中
Chao Wei1, Zheng Liu1,2, Yibo Zhang3,4,5
1Department of Urology, General Hospital of Northern Theater Command, Shenyang, China.
Digital health
|January 27, 2025
概括
这项研究引入了一种用于前列腺癌 (PCa) 诊断的自动深度学习系统,使用双参数MRI (bpMRI). 新的注意引导U-Net模型显著提高了识别和细分PCa病变的准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 前列腺癌 (PCa) 是全球男性的主要癌症,需要先进的诊断成像来早期检测和治疗.
- 双参数磁共振成像 (bpMRI) 提供了高效和具有成本效益的前列腺癌诊断,但由于微妙的瘤特征和复杂的前列腺解剖学,它面临着挑战.
- 自动化系统对于提高诊断准确性和提高识别前列腺癌的效率至关重要.
研究的目的:
- 开发和评估一种新的自动化方法,以改善使用bpmri的前列腺癌诊断.
- 通过将区域特征纳入bpmri图像的分析来提高诊断性能.
- 创建一个两步的深度学习机制,用于精确细分前列腺区域和病变.
主要方法:
- 使用bpMRI图像实施了两步自动化方法.
- 一个基于卷积神经网络 (CNN) 的注意引导U-Net模型被预训练用于前列腺区域细分.
- 同一个以注意引导的U-Net模型被预训练用于前列腺内的病变细分.
- 通过比较预训练模型与从头开始训练注意力引导的U-Net来分析性能.
主要成果:
- 提出的以注意力为导向的U-Net模型实现了曲线下的面积 (AUC) 为0.85.
- 对于损伤细分,获得了0.82的子相似系数 (DSC).
- 开发的模型在细分前列腺瘤方面超过了其他预训练的深度学习模型.
结论:
- 通过集成区域数据,自动化方法有效地提高了临床显著前列腺癌的识别和分类.
- 与现有方法相比,该模型在细分bpmri图像方面表现出卓越的性能.
- 这项研究强调了深度学习在促进前列腺癌诊断和个性化患者护理方面的潜力.
