基于深度学习的多参数MRI前列腺癌分析

前列腺癌的诊断面临着过度诊断的问题，由于不必要的治疗而导致破坏性副作用。研究表明，使用多参数磁共振图像来进行活检可大幅帮助缓解过度诊断，从而减少对健康患者的副作用。本研究旨在探讨利用深度学习技术，以MRI为输入探索计算机辅助诊断。若干诊断问题，从病灶是否为临床显著性的分类，到病灶的检测与分割，均通过基于深度学习的方法加以解决。本论文处理了关于前列腺癌诊断的两个主要问题。首先，使用XmasNet对病灶分类进行了两项大型实验。其次，进行了检测与分割实验，先针对前列腺，随后针对前列腺癌病灶。前者通过二维空间探索病灶，而后者探索适用于三维输入的模型。为此任务，所探索的三维模型为3D U-Net和预训练的3D ResNet-18。对所有这些问题进行了严格分析，病灶分类实验共涉及两个网络、两种裁剪技术、两种重采样技术、两种裁剪尺寸、五种输入尺寸以及数据增强；而分割实验则涉及两种模型、两种输入尺寸和数据增强。然而，尽管病灶临床显著性的二分类以及前列腺的检测与分割已达到预期结果（分别为0.870 AUC和0.915 dice分数），PIRADS评分的分类与病灶的分割仍有较大改进空间（分别为0.664准确率和0.690 dice分数）。