相关实验视频
Updated: May 9, 2026

09:11
Use of MRI-ultrasound Fusion to Achieve Targeted Prostate Biopsy
Published on: April 9, 2019
21.3K
前列腺癌风险分层和扫描定制使用深度学习缩短前列腺MRI
Patricia M Johnson1,2, Tarun Dutt1, Luke A Ginocchio1
1Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, New York, USA.
Journal of magnetic resonance imaging : JMRI
|April 22, 2025
概括
一个深度学习模型有效地使用双参数MRI (bpMRI) 识别出临床显著的前列腺癌. 这种人工智能工具有助于选择最佳的MRI协议,从而有可能改善癌症检测中的资源使用.
科学领域:
- 放射学 放射学是一门学科.
- 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 (PCa) 管理至关重要.
- 双参数MRI (bpMRI) 为多参数MRI (mpMRI) 提供了一个更快,无对比的替代方案.
- 根据个体风险量身定制的MRI协议可以优化资源利用.
研究的目的:
- 开发和评估一种深度学习 (DL) 模型,用于使用bpmri对临床显著PCa (csPCa) 的分类.
- 评估DL模型在优化MRI协议选择方面的潜力,只在有益时推额外的序列.
主要方法:
- 一个DL模型在26,129个前列腺MRI研究中进行了训练和验证.
- 在回顾性 (n=151) 和前性 (n=142) 队列上进行评估,并进行基准真实验证.
- 使用3D ResNet-50架构进行基于PI-RADS和格里森分数的分类.
主要成果:
- DL模型在前性队列中 (PI-RADS ≥3) 达到0.83的AUC,在后性队列中 (Gleason ≥7) 达到0.86.
- 在两个队列中都表现出高灵敏度 (93%).
- 实时实现显示协议建议的处理延迟为14-16秒.
结论:
- 开发的DL模型使用bpMRI准确地识别了csPCa.
- 该模型可以集成到临床工作流程中,以改善PCa的检测和管理.
- 优化MRI协议选择和资源分配的潜力.
更多相关视频
05:49Use of Magnetic Resonance Imaging and Biopsy Data to Guide Sampling Procedures for Prostate Cancer Biobanking
Published on: October 10, 2019
6.1K
06:08A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
106