基于卷积神经网络的深度学习架构用于原发性前列腺癌患者 PSMA PET 图像前列腺内肿瘤勾画
计算机视觉与模式识别
2020-08-10 v1 图像与视频处理
医学物理
摘要
准确勾画前列腺内大体肿瘤体积（GTV）是原发性前列腺癌（PCa）患者治疗方法的前提。前列腺特异性膜抗原正电子发射断层扫描（PSMA-PET）在 GTV 检测中可能优于 MRI。然而，视觉 GTV 勾画存在观察者间异质性且耗时。本研究的目的是开发一种卷积神经网络（CNN）用于 PSMA-PET 中前列腺内肿瘤（GTV-CNN）的自动分割。方法：CNN（3D U-Net）在来自两个不同机构的 152 例患者的 [68Ga]PSMA-PET 图像上训练，训练标签使用验证技术手动生成。CNN 在两个独立内部（队列 1：[68Ga]PSMA-PET，n=18 和队列 2：[18F]PSMA-PET，n=19）和一个外部（队列 3：[68Ga]PSMA-PET，n=20）测试数据集上测试。手动轮廓与 GTV-CNN 之间的一致性用 Dice-Sørensen 系数（DSC）评估。两个内部测试数据集的敏感性和特异性使用全 mounted 组织学计算。结果：队列 1-3 的中位 DSC 分别为 0.84（范围：0.32-0.95）、0.81（范围：0.28-0.93）和 0.83（范围：0.32-0.93）。GTV-CNN 的敏感性和特异性与手动专家轮廓相当：分别为 0.98 和 0.76（队列 1）以及 1 和 0.57（队列 2）。标准数据集的计算时间约为 6 秒。结论：在 [68Ga]PSMA- 和 [18F]PSMA-PET 图像中应用 CNN 自动勾画前列腺内 GTV，与专家轮廓高度一致，且与组织学参考相比具有较高敏感性和特异性。这种稳健、准确且快速的技术可应用于原发性 PCa 的治疗概念。训练好的模型和研究的源代码在开源仓库中可用。
引用
@article{arxiv.2008.03201,
title = {Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer},
author = {Dejan Kostyszyn and Tobias Fechter and Nico Bartl and Anca L. Grosu and Christian Gratzke and August Sigle and Michael Mix and Juri Ruf and Thomas F. Fassbender and Selina Kiefer and Alisa S. Bettermann and Nils H. Nicolay and Simon Spohn and Maria U. Kramer and Peter Bronsert and Hongqian Guo and Xuefeng Qiu and Feng Wang and Christoph Henkenberens and Rudolf A. Werner and Dimos Baltas and Philipp T. Meyer and Thorsten Derlin and Mengxia Chen and Constantinos Zamboglou},
journal= {arXiv preprint arXiv:2008.03201},
year = {2020}
}