Cancer-Net PCa-MultiSeg：基于合成相关扩散成像提高前列腺癌病灶分割的多模态方法
计算机视觉与模式识别
2025-11-12 v1
摘要
当前前列腺癌病灶分割的深度学习方法在大规模患者队列中达到的 Dice 分数为 0.32 或更低。为解决这一局限性，我们研究将合成相关扩散成像 (CDI) 作为标准扩散基线协议的增强手段。我们使用 200 名患者的数据，对 CDI、扩散加权成像 (DWI) 和 apparent diffusion coefficient (ADC) 序列进行共配准, 对六种最先进的分割架构进行全面评估。我们证明，CDI 的集成在 94% 的评估配置中可靠地提升或保持分割性能，其中个别架构实现了相对于基线模态的最高 72.5% 的统计显著性提升。CDI + DWI 成为最安全的增强路径，在半数评估的架构中实现显著提升且无任何性能下降实例。由于 CDI 源自现有 DWI 采集, 无需额外扫描时间或架构修改, 其 enables 立即部署于临床工作流程。我们的结果为 CDI 作为前列腺癌病灶分割任务中可验证的集成路径建立了基础, 以适用于 diverse 深度学习架构。
引用
@article{arxiv.2511.07816,
title = {Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging},
author = {Jarett Dewbury and Chi-en Amy Tai and Alexander Wong},
journal= {arXiv preprint arXiv:2511.07816},
year = {2025}
}
备注
Accepted at ML4H 2025 Findings