基于深度学习的无监督域适应：用于多中心双参数 MRI 数据集中前列腺病灶检测的统一模型
摘要
我们的假设是，使用统一模型生成的扩散加权图像 (DWI) 对于增强多中心前列腺病灶检测的受监督学习模型性能具有前景且可靠，尤其是在存在各种 b 值的情况下。本回顾性研究包括来自 9 个不同成像中心的 5,150 名患者 (14,191 个样本)。开发了用于多中心前列腺癌检测的 novel 无监督域适应方法，该方法使用统一的生成模型将扩散加权成像 (DWI) 采集，包括使用各种 b 值获得的实际扩散系数 (ADC) 和单个 DW 图像，转换为遵循前列腺成像报告与数据系统 (PI-RADS) 指南中推荐 b 值的图像风格。生成的 ADC 和 DW 图像取代原始图像用于前列腺癌检测。用于评估的独立测试集包括 1,692 个测试案例 (2,393 个样本)。以受试者工作特征曲线下面积 (AUC) 为主要指标，使用自助法进行统计分析。对于所有测试案例，基线 SL 和 UDA 方法在 PI-RADS >= 3 病例中的 AUC 分别为 0.73 和 0.79 (p<.001)，在 PI-RADS >= 4 病例中的 AUC 分别为 0.77 和 0.80 (p<.001)。在最不利的图像获取设置下 (361 个测试案例)，基线 SL 和 UDA 的 AUC 分别为 0.49 和 0.76 (p<.001) 和 0.50 和 0.77 (p<.001)。结果表明，提出的 UDA 方法在包含各种 b 值的数据集上提高了 SL 方法在多中心前列腺癌检测中的性能，尤其是对于获取严重偏离 PI-RADS 推荐 DWI 程序的图像 (例如使用极高 b 值) 的情况。
引用
@article{arxiv.2408.04777,
title = {Deep Learning-based Unsupervised Domain Adaptation via a Unified Model for Prostate Lesion Detection Using Multisite Bi-parametric MRI Datasets},
author = {Hao Li and Han Liu and Heinrich von Busch and Robert Grimm and Henkjan Huisman and Angela Tong and David Winkel and Tobias Penzkofer and Ivan Shabunin and Moon Hyung Choi and Qingsong Yang and Dieter Szolar and Steven Shea and Fergus Coakley and Mukesh Harisinghani and Ipek Oguz and Dorin Comaniciu and Ali Kamen and Bin Lou},
journal= {arXiv preprint arXiv:2408.04777},
year = {2024}
}
备注
Accept at Radiology: Artificial Intelligence. Journal reference and external DOI will be added once published