基于人工智能的前列腺体积估计来自多平面MRI,采用可变采集协议

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
• 计算解剖学的计算解剖学

背景情况:

• 前列腺MRI协议表现出显著的机构变异性,缩短的协议通常仅限于轴平面成像.
• 对于前列腺体积 (PV) 估计,传统的深度学习 (DL) 模型需要完整的注释成像协议来进行训练和推断,从而阻碍了临床适应性.
• 这一局限性限制了DL模型在现实临床环境中的应用,MRI采集策略多样化.

研究的目的:

• 开发和验证一种基于知识 (KB) 的DL细分模型,能够适应各种MRI采集协议.
• 为了具体评估模型的性能,使用缩短的,只有轴向的MRI协议进行PV估计.
• 使用全面的多平面数据,将KB DL模型与完全监督的DL模型进行比较.

主要方法:

• 对629个多参数3特斯拉前列腺MRI检查的回顾性分析,来自活检确认的患者.
• 采用KB对比损失的2D nnU-Net DL模型使用轴向分割和未注释的直角视图进行训练.
• 通过使用子得分系数 (DSC),相对体积差异 (RVD),布兰德-阿尔特曼分析和类内相关系数 (ICC) 来评估性能,模拟完整的和只有轴向的协议.

主要成果:

• KB DL 模型的性能与完全监督的模型和完全多平面输入 (DSC: 0.91 ± 0.03,RVD: 2.1 ± 6.4%) 的性能相当.
• 在只有轴向条件下,KB模型表现出高性能 (DSC:0.88±0.04,RVD:3.4±7.1%).
• 在所有测试条件 (ICC > 0.90) 中,KB模型的PV估计和参考标准之间观察到很好的一致性.

结论:

• 拟议的KB DL模型在可变MRI采集协议中提供准确和可适应的PV评估.
• 该模型有效地处理缩短的,只有轴的协议,而不需要超出轴平面的细分口罩.
• 这种方法提高了基于DL的PV估计在不同临床环境中的灵活性和适用性.