从未注册的mpMRI通过学习的交叉模式通信进行了强大的前列腺癌风险分层
Hanying Gong1, Jie Luo2, Shufan Mao3
1Department of Radiology, The First Hospital of Jiaxing, The Affiliated Hospital of Jiaxing University, Jiaxing, China.
Frontiers in oncology
|February 16, 2026
概括
一个新的深度学习框架,Cross-Modal Optimal Transport Fusion (CMOT-Fusion),准确地融合了错位的MRI扫描,以改善前列腺癌风险分层. 这种方法提高了诊断可靠性,而不需要图像注册.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 精确的前列腺癌风险分层依赖于融合T2加权 (T2WI) 和明显扩散系数 (ADC) 的MRI序列.
- 患者运动和成像扭曲通常会导致T2WI和ADC序列之间的空间错位,使解释复杂化.
- 传统的融合方法需要精确的图像记录,这限制了它们在现实世界的临床实用性.
研究的目的:
- 开发和验证一个深度学习框架,以稳定地融合未注册的多参数MRI (mpMRI) 数据.
- 在临床场景中克服主观认知融合和脆弱的传统融合模型的局限性.
- 通过使不对齐的mpMRI序列直接融合,改善前列腺癌风险分层.
主要方法:
- 对300名病理确诊前列腺癌的男性进行了回顾性分析.
- 开发跨模式最佳运输融合 (CMOT-Fusion),一个深度学习框架.
- 在没有明确的注册的情况下,CMOT-Fusion学会在错误的T2WI和ADC图像之间匹配相关区域.
主要成果:
- 在交叉验证中,CMOT-Fusion实现了0.849±0.034的曲线下的平均面积 (AUC) 来区分高风险前列腺癌.
- 该模型在独立测试组中表现出强大的性能,整体AUC为0.824.
- CMOT-Fusion的表现优于单一模式的基线和传统的融合方法.
结论:
- 学习未注册的mpMRI序列之间的直接对应,显著改善前列腺癌风险分层.
- CMOT-Fusion 提供了一种强大的解决方案,用于跨序列错位,提高诊断可靠性.
- 该框架通过消除需要单独的图像注册步骤来简化临床工作流程,从而保证了进一步的未来验证.
