基于物理的自编码器,用于用混合多维MRI进行前列腺组织微结构剖析

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 生物标志物发现发现

背景情况:

• 前列腺癌 (PCa) 诊断依赖于精确的组织生物标志物测量.
• 像非线性最小正方形 (NLLS) 这样的传统方法可能很慢,对噪声敏感.
• 混合多维MRI为组织特征提供了丰富的数据.

研究的目的:

• 评估物理信息自编码器 (PIA) 的性能,这是一个自我监督的深度学习模型,用于使用混合多维MRI测量前列腺组织生物标志物.
• 为了比较PIA的准确性,对噪声的强度和计算效率与传统的NLLS算法.
• 评估PIA作为人工智能工具的潜力,用于非侵入性PCa检测.

主要方法:

• 通过将三分区扩散-放松模型与深度神经网络集成,开发了PIA.
• 经过培训的PIA从MRI数据中预测PCa的组织特异性生物标志物.
• 使用不同信号噪声比率 (SNR) 的 in silico 实验和来自 21 名 PCa 患者的 in vivo 数据进行验证的 PIA,与病原学和NLLS进行比较.

主要成果:

• 在预测参考标准组织参数方面,PIA显示出高准确度,超过NLLS,特别是在杂的条件下 (SNR 20:1上的上皮体积:r=0.80对0.65).
• 在体内,PIA的非侵入性体积分数估计与定量组织学有很强的相关性 (ICC:0.94为上皮质,0.85为肌层,0.92为光层).
• PIA测量与PCa攻击性相关 (r = 0.75),并且明显比NLLS更快 (每张图像0.18秒vs40分钟).

结论:

• 与NLLS相比,PIA提供了MRI精确的前列腺组织生物标志物测量,与噪声和计算效率相比,具有更高的稳定性.
• PIA显示出作为PCa检测准确,非侵入性和可解释的人工智能方法的潜力.
• 这种深度学习方法推动了人工智能在定量MRI中用于癌症诊断的应用.