Z-SSMNet:区域意识的自我监督网格网络,用于用双参数MRI检测和诊断前列腺癌
Yuan Yuan1, Euijoon Ahn2, Dagan Feng3
1School of Computer Science, Faculty of Engineering, The University of Sydney, Sydney, 2006, NSW, Australia.
概括
一个新的AI系统,区域意识的自我监督网格网络 (Z-SSMNet),使用双参数MRI改进了前列腺癌检测. 它通过更好地学习空间信息和在大型数据集上使用自我监督学习来解决当前人工智能的局限性.
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:
- 双参数MRI (bpMRI) 对于检测临床显著的前列腺癌 (csPCa) 至关重要.
- 当前的人工智能方法与异构的bpMRI数据扎,需要广泛的注释数据集.
- 在使用标准的CNN和变压器从bpmri学习空间信息方面存在局限性.
研究的目的:
- 开发一个人工智能系统,以使用bpMRI改进csPCa检测和诊断.
- 克服现有的AI模型在处理异型bpMRI数据和数据集稀缺性方面的局限性.
- 通过人工智能提高前列腺癌管理的效率和成本效益.
主要方法:
- 提出了区域意识自主监督网格网络 (Z-SSMNet),集成多维卷积.
- 实施自主监督学习 (SSL) 技术,从未标记的数据中获取切片内和切片间的语义信息.
- 限制网络专注于区域解剖区域,以改进csPCa检测.
主要成果:
- 在PI-CAI挑战的开放开发阶段,Z-SSMNet取得了最佳表现 (AP:0.633,AUROC:0.881).
- 该模型在封闭测试阶段获得了第二名 (AP:0.690,AUROC:0.909).
- 在大型的多中心数据集上展示了优越的损伤级检测和患者级诊断能力.
结论:
- Z-SSMNet显示了人工智能驱动的csPCa诊断和管理的巨大潜力.
- 提出的方法有效地解决了分析异型bpMRI数据的挑战.
- 利用先进技术的人工智能系统可以提高前列腺癌护理.
