计算机辅助检测 (CADe) 小转移性前列腺癌病变的3DPSMAPET体积使用多角度最大强度投影

科学领域:

• 放射学和核医学 放射学和核医学
• 医疗成像中的人工智能
• 在瘤学瘤学.

背景情况:

• 检测前列腺癌复发是具有挑战性的,特别是对于小的转移性病变.
• PSMA-PET成像对于可视化前列腺癌复发至关重要.
• 现有的检测方法可能缺乏小病变的效率或准确性.

研究的目的:

• 开发和评估一种新的计算机辅助检测 (CADe) 系统,用于在PSMA-PET图像上识别小转移性生化复发性 (BCR) 前列腺癌 (PCa).
• 利用多角度最大强度预测 (MA-MIP) 和最先进的 (SOTA) 对象检测算法来增强损伤识别.
• 在检测准确性和效率方面评估CADe方法的性能.

主要方法:

• 从3DPSMA-PET卷中对MA-MIP进行了微调和评估16个SOTA对象检测算法.
• 背向投射的2D检测到边界框到3D空间使用有序子集预期最大化 (OSEM) 算法.
• 采用微调的医疗分段-任何模型 (MedSAM) 来在检测到的边界框内对病变进行细分.

主要成果:

• FreeAnchor模型在检测小转移性BCRPCa病变时获得了0.69的高F1得分和0.74的回忆.
• 与几种3D方法相比,CADe方法显示出更高的效率,同时保持了可比的准确性.
• 在临床上显著的区域实现了高回忆率:局部复发 (0.82) 和骨转移 (0.80).

结论:

• 开发的自动化CADe工具显示出作为医生检测PSMA-PET上的小转移性BCRPCa的"第二读者"的巨大潜力.
• 该方法有效地将2D模型的优势与3D空间信息的保存相结合,以提高可检测性.
• 这项技术可以通过改善病变检测和减少医生工作量来提高癌症诊断和管理.