在融合活检期间用于前列腺细分的不同卷积神经网络的审查
Maciej Zwolski1, Andrzej Kupilas1, Przemysław Cnota1
1Department of Urology and Urooncology, Municipal Hospital No. 4 in Gliwice, Poland.
Central European journal of urology
|May 15, 2025
概括
深度学习,特别是卷积神经网络 (CNN),显著提高了融合活检的前列腺细分精度. 这些先进的算法提高了前列腺癌检测的诊断精度,有助于治疗决策.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 尿瘤学 尿瘤学
背景情况:
- 前列腺癌的发病率正在上升,需要有效的诊断工具.
- 在融合活检中前列腺轮是关键的,但耗时.
- 深度学习为自动化和改进细分精度提供了潜力.
研究的目的:
- 审查深度学习的应用,特别是CNNs,用于MRI引导的融合活检中前列腺轮.
- 评估CNN在提高前列腺癌诊断细分精度方面的有效性.
主要方法:
- 使用PubMed和IEEE Xplore进行了系统的文献审查.
- 研究重点是过去五年的开放访问研究,遵守PRISMA 2020指南.
- 该评论分析了基于CNN的算法,用于在多参数MRI (mpMRI) 中进行前列腺细分.
主要成果:
- 卷积神经网络 (CNN),特别是U-Net架构,被广泛用于医学图像分析.
- 经过审查的CNN算法实现了超过74%的子相似系数 (DSC),证明了前列腺自动细分的高准确性.
- 在不同研究的评估方法中存在显著的变化.
结论:
- 在融合活检中,CNN显示出相当有希望的加速和改善前列腺轮.
- 临床整合需要进一步的研究和算法优化.
- 建议进行更大规模的队列研究,以验证发现并增强实际应用.
