用于基于 AI 的前列腺癌诊断的可变形 MRI 序列配准
图像与视频处理
2024-07-01 v2 计算机视觉与模式识别
定量方法
摘要
PI-CAI (Prostate Imaging: Cancer AI) 挑战赛催生了用于检测临床显著性前列腺癌的专家级诊断算法。这些算法接收双参数 MRI 扫描作为输入，包括 T2 加权和扩散加权扫描。由于扫描过程中的多种因素，这些扫描可能会出现错位。图像配准可以通过预测序列之间的形变来缓解这一问题。我们研究了图像配准对基于 AI 的前列腺癌诊断性能的影响。首先，使用带有配对病灶注释的数据集分析在 MeVisLab 中开发的图像配准算法。其次，通过比较使用原始数据集、刚体对齐的扩散加权扫描或可变形对齐的扩散加权扫描的病例级癌症诊断性能，来评估其对诊断的影响。刚体配准未显示出改善。可变形配准在病灶重叠方面表现出显著改善（中位 Dice 分数 +10%），在诊断性能方面有积极但不显著的改善（AUROC +0.3%，p=0.18）。我们的研究表明，病灶对齐的显著改善并未直接导致诊断性能的显著提升。定性分析表明，联合开发图像配准方法和诊断 AI 算法可以提高诊断准确率并改善患者预后。
引用
@article{arxiv.2404.09666,
title = {Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis},
author = {Alessa Hering and Sarah de Boer and Anindo Saha and Jasper J. Twilt and Mattias P. Heinrich and Derya Yakar and Maarten de Rooij and Henkjan Huisman and Joeran S. Bosma},
journal= {arXiv preprint arXiv:2404.09666},
year = {2024}
}