前列腺癌和良性前列腺增生病变的细分使用扩散性皮质变异成像,T2*和R2*绘制与U-Net++算法

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 前列腺癌的诊断严重依赖于多参数MRI (mpMRI).
• 精确的前列腺病变细分对于治疗规划和监测至关重要.
• 现有的细分方法可能会与不同的MRI衍生参数图扎.

研究的目的:

• 开发和评估一个深度学习的前列腺病变细分框架跨多个MRI收购和衍生参数图.
• 为了比较不同MRI衍生图像的细分模型的性能.
• 识别MRI衍生图像,提供最具辨别性的信息,以准确识别前列腺病变.

主要方法:

• 在51名患者的mpMRI数据上训练了一个U-Net++深度学习模型.
• 图像包括T2加权成像 (T2WI),明显扩散系数 (ADC) 地图,扩散曲解成像 (DKI) 衍生地图 (D,K) 和T2*加权成像衍生地图 (T2*,R2*).
• 用Dice相似系数和Intersection over Union (IoU) 来评估细分性能,并由专家放射科医生进行手册注释.

主要成果:

• 深度学习模型在所有测试的MRI衍生图像中实现了高细分性能.
• K地图 (IoU: 0.9504,子: 0.9744) 和T2WI (IoU: 0.9250,子: 0.9604) 显示出最高的细分精度.
• IoU值在0.8559 (D地图) 到0.9504 (K地图) 之间,子得分在0.9211 (D地图) 到0.9744 (K地图) 之间.

结论:

• 拟议的深度学习框架有效地在各种mpMRI衍生图像上划分前列腺病变.
• K地图和T2WI为准确的前列腺损伤细分提供了最具歧视性的信息.
• 将先进的深度学习与优化的MRI图像相结合,可以提高前列腺癌的诊断精度.