使用多阶段网络方法进行前列腺MRI图像细分
Lars E O Jacobson1, Mohamed Bader-El-Den1, Lalit Maurya1
1School of Computing, University of Portsmouth, Portsmouth, UK.
International urology and nephrology
|September 5, 2025
概括
深度学习图像细分可以改善前列腺癌的检测. 使用T2加权的MRI图像的端到端方法提高了诊断准确度,有助于治疗规划.
科学领域:
- 医学成像
- 人工智能
- 癌症学
背景情况:
- 前列腺癌是男性癌症死亡的主要原因.
- 目前的诊断方法如PSA检测和TRUS指导的活检在特异性和准确性方面存在局限性.
- 准确的PCa检测和表征对于有效的治疗计划至关重要.
研究的目的:
- 通过基于深度学习的图像细分来提高前列腺癌的检测和特征.
- 评估T2加权MR图像的多阶段细分方法的有效性.
- 为确定前列腺边界的最佳深度学习架构.
主要方法:
- 使用了来自1151名患者的6119张T2权重的MRI图像的大数据集.
- 实施并比较一阶段,连续两阶段和端到端两阶段的深度学习细分方法.
- 在多阶段细分框架内评估了MultiResUNet模型.
主要成果:
- 通过利用共享特征表示的端到端两阶段细分方法,表现出卓越的性能.
- 多阶段细分框架,特别是MultiResUNet,显著改善了前列腺边界的划分.
- 这项研究提高了前列腺癌检测的诊断准确性.
结论:
- 先进的深度学习架构显示出改善前列腺癌诊断的巨大潜力.
- 端到端细分策略可以提高MRI图像中PCa检测的准确性.
- 这些发现可以简化前列腺癌的检测,并为治疗计划提供信息,未来的工作重点是模型的通用性.
