基于期望扩散加权成像最大化 T2 单独前列腺癌定位
计算机视觉与模式识别
2026-04-02 v1
摘要
多参数磁共振成像（MRI）越来越多地被推荐为检测和定位前列腺癌的一线非侵入性方法，至少需要扩散加权（DWI）和 T2 加权（T2w）磁共振序列。仅使用 T2w 图像的早期机器学习尝试在分割放射科医生标注的病变方面已显示出有前景的诊断性能。这种单模态 T2 单独方法通过减少获取其他序列所需的成本和专业知识，带来了显著的临床收益。本工作研究了一个 arguably 更具挑战性的应用——推理时仅使用 T2w，但基于独立的组织病理学标签来定位个体癌症。我们将 DWI 图像表述为潜在模态（训练时 readily 可用），以在仅给定 T2w 图像作为输入的条件下对局部 Barzell 区域的癌症存在进行分类。在所提出的期望最大化算法中，潜在模态生成器（使用基于流匹配的生成模型实现）在 E 步中近似潜在 DWI 图像的后验分布，而在 M 步中，癌症定位器与生成模型同时优化，以最大化癌症存在的期望似然。所提出的方法为从特权 DWI 模态学习提供了一个新颖的理论框架，产生的癌症定位性能优于缺乏训练 DWI 图像或现有特权学习和不完全模态框架的方法。所提出的 T2 单独方法在性能上与使用多输入序列的基线方法相当或更优（例如，将患者级 F1 分数相比 T2w+DWI 基线提高 14.4%，区域级 QWK 提高 5.3%）。我们使用来自 4,133 名前列腺癌患者的内部和外部数据集进行了定量评估，均具有组织病理学验证标签。
引用
@article{arxiv.2604.00985,
title = {Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging},
author = {Weixi Yi and Yipei Wang and Wen Yan and Hanyuan Zhang and Natasha Thorley and Alexander Ng and Shonit Punwani and Fernando Bianco and Mark Emberton and Veeru Kasivisvanathan and Dean C. Barratt and Shaheer U. Saeed and Yipeng Hu},
journal= {arXiv preprint arXiv:2604.00985},
year = {2026}
}