基于深度学习的优势指数病灶分割用于前列腺癌 MR 引导放射治疗
摘要
剂量递增放疗可增强对前列腺癌（PCa）的控制，但需要对优势指数病灶（DIL）进行分割，这推动了快速、准确且一致的 PCa DIL 自动分割方法的发展。我们在来自 365 名患者的 500 个病灶的表观扩散系数（ADC）MRI 上评估了五种深度学习网络，数据源于内部训练数据集 1（1.5Tesla GE MR 配直肠线圈）、外部 ProstateX 数据集 2（3Tesla Siemens MR）和内部评分者间数据集 3（3Tesla Philips MR）。网络包括：多分辨率残差连接网络（MRRN）及在训练中经深度监督正则化的 MRRN（MRRN-DS）、Unet、Unet++、ResUnet，以及快速全景分割（FPSnet）和带平滑标签的快速全景分割（FPSnet-SL）。模型通过体积 DIL 分割精度（使用 Dice 相似系数（DSC））和检测精度进行评估，作为病灶侵袭性、大小和位置（数据集 1 和 2）的函数，以及相对于两名评分者的精度（在数据集 3 上）。总体上，MRRN-DS 在测试数据集上比其他方法更准确地分割肿瘤。MRRN-DS 在数据集 2 中显著优于 ResUnet（DSC 为 0.54 对 0.44，p<0.001），在数据集 3 中显著优于 Unet++（DSC 为 0.45 对 0.44，p=0.04）。FPSnet-SL 在数据集 2 中与 MRRN-DS 精度相近（p = 0.30），但 MRRN-DS 在数据集 1（0.60 对 0.51 [p=0.01] 和 0.54 [p=0.049]）和数据集 3（0.45 对 0.06 [p=0.002] 和 0.24 [p=0.004]）中显著优于 FPSnet 和 FPSnet-SL。最后，在数据集 3 中，MRRN-DS 与经验丰富的放射科医生的吻合度略高于两名放射科医生之间（DSC 为 0.45 对 0.41）。
引用
@article{arxiv.2303.03494,
title = {Deep Learning Based Dominant Index Lesion Segmentation for MR-guided Radiation Therapy of Prostate Cancer},
author = {Josiah Simeth and Jue Jiang and Anton Nosov and Andreas Wibmer and Michael Zelefsky and Neelam Tyagi and Harini Veeraraghavan},
journal= {arXiv preprint arXiv:2303.03494},
year = {2023}
}
备注
https://pubmed.ncbi.nlm.nih.gov/36856092/