在前列腺癌中,U-Net良性前列腺增生训练有素的深度学习模型用于前列腺超声波图像细分
Panpan Jiao1,2, Zhongyu Wang3, Zhiyuan Chen1,2
1Department of Urology, Renmin Hospital of Wuhan University, Wuhan, China.
Quantitative imaging in medicine and surgery
|July 3, 2025
概括
在良性前列腺增生 (BPH) 超声图像上训练的深度学习模型有效地在跨直肠超声扫描 (TRUS) 中对前列腺癌 (PCa) 进行细分. 这克服了自动前列腺细分的技术限制,以改善诊断和治疗指导.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 前列腺癌 (PCa) 是男性的重大全球健康问题.
- 跨直肠超声波 (TRUS) 对于PCa的诊断和治疗至关重要.
- 由于技术限制,TRUS中的自动前列腺细分具有挑战性.
研究的目的:
- 使用BPH超声波图像开发基于深度学习的前列腺细分模型.
- 验证该模型对PCa超声波图像细分的适用性.
主要方法:
- 在370个BPH和68个PCa超声图像上使用U-Net,LinkNet和PSPNet进行训练的细分模型.
- 对BPH和PCa测试集的模型性能计算的Dice系数.
- 采用独立样本的t测试来比较细分结果.
主要成果:
- U-Net实现了0.9602的峰值交叉点在联盟 (IoU) 上,显示出强的表现.
- 确定了9个放射性特征,区分PCa和BPH.
- 统计分析证实,BPH和PCa细分以及模型有效性之间没有显著差异 (P>0.05).
结论:
- 在BPH超声数据上训练的前列腺细分模型适用于PCa.
- 这种深度学习方法增强了TRUS中PCa的自动细分.
- 开发的模型为改善PCa成像分析提供了一个潜在的解决方案.
