ProsRegNet：一种用于前列腺 MRI 与组织病理学图像配准的深度学习框架
图像与视频处理
2020-12-03 v1
摘要
磁共振成像（MRI）是前列腺癌诊断和治疗中日益重要的工具。然而，MRI 的解读在不同放射科医生间存在高度观察者间变异性，从而导致临床显著癌的漏诊、低风险癌的过度诊断以及频繁的假阳性。若能为放射科医生提供一张清晰显示 MRI 上癌位置的答案密钥，则可大幅改善 MRI 解读。将接受根治性前列腺切除术患者的组织病理学图像配准到术前 MRI，可实现将真实癌标签映射到 MRI 上。然而，传统的 MRI-组织病理学配准方法计算昂贵，且需要谨慎选择代价函数与配准超参数。本文提出 ProsRegNet，一种基于深度学习的流程，用于加速并简化前列腺癌中的 MRI-组织病理学图像配准。我们的流程包括图像预处理、由深度神经网络估计仿射与可变形变换，以及利用估计的变换将癌标签从组织病理学图像映射到 MRI。我们使用来自内部队列（队列1）的 99 名患者的 MR 与组织病理学图像训练神经网络，并使用来自三个不同队列的 53 名患者（队列1额外 12 名及两个公共队列 41 名）评估其性能。结果表明，我们的深度学习流程取得了更准确的配准结果，且比最先进（SOTA）配准算法至少快 20 倍。这一重要进展将为放射科医生提供高度准确的前列腺 MRI 答案密钥，从而助力改善 MRI 上前列腺癌的检测。我们的代码可在 https://github.com/pimed//ProsRegNet 免费获取。
引用
@article{arxiv.2012.00991,
title = {ProsRegNet: A Deep Learning Framework for Registration of MRI and Histopathology Images of the Prostate},
author = {Wei Shao and Linda Banh and Christian A. Kunder and Richard E. Fan and Simon J. C. Soerensen and Jeffrey B. Wang and Nikola C. Teslovich and Nikhil Madhuripan and Anugayathri Jawahar and Pejman Ghanouni and James D. Brooks and Geoffrey A. Sonn and Mirabela Rusu},
journal= {arXiv preprint arXiv:2012.00991},
year = {2020}
}
备注
Accepted to Medical Image Analysis (MedIA)