ProstAtlasDiff:使用扩散概率模型在MRI上检测前列腺癌,以人口空间癌症地图为指导
Cynthia Xinran Li1, Indrani Bhattacharya2, Sulaiman Vesal3
1Institute of Computational and Mathematical Engineering, Stanford University, Stanford, CA 94305, USA.
Medical image analysis
|February 19, 2025
概括
使用Denoising Diffusion Probabilistic Models (DDPMs) 和前列腺癌图谱的新方法ProstAtlasDiff显著改善了MRI扫描中临床显著前列腺癌的检测和细分.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 磁共振成像 (MRI) 对于前列腺癌的检测至关重要,但区分良性和癌症组织是具有挑战性的.
- 否定扩散概率模型 (DDPMs) 在医疗图像细分方面表现有前途.
- 现有的方法缺乏结合前列腺癌分布的已知模式的能力.
研究的目的:
- 开发和评估 ProstAtlasDiff,一种增强的 DDPM 方法用于MRI 上的前列腺癌细分.
- 将前列腺癌异质性知识整合到DDPM中,以提高检测准确度.
- 评估 ProstAtlasDiff 的性能与其他模型和放射科医生相比.
主要方法:
- 开发了ProstAtlasDiff,这是一个基于DDPM的模型,包含前列腺癌图谱以引导消除噪音.
- 量化癌症分布异质性,使用注册管道进行voxel级平均值和差异计算.
- 在多机构,多扫描仪数据集上训练和验证ProstAtlasDiff,并与现有模型和专家放射科医生进行比较.
主要成果:
- 与替代模型相比,ProstAtlasDiff在准确性 (0.91对0.85),特异性 (0.91对0.84) 和PPV (0.50对0.35) 方面显示了统计学上显著的改善.
- 获得更高的子系数 (0.33对0.31),以获得更准确的癌症轮.
- 与放射科医生相比,ProstAtlasDiff检测出16%的临床显著癌症 (灵敏度:0.90比0.75),在其他指标上表现相似.
结论:
- 通过利用癌症分布知识,ProstAtlasDiff显著提高了MRI上前列腺癌检测和细分精度.
- 该模型显示出超越当前方法的潜力,并协助放射科医生在活检指导和治疗规划中发挥作用.
- 在更大的队列中进一步验证证了 ProstAtlasDiff 对替代方法的优越性.
