ssVERDICT：用于增强前列腺肿瘤表征的自监督VERDICT-MRI

目的：展示并评估用于前列腺的VERDICT（肿瘤 cytometry 中血管、细胞外和受限扩散，Vascular, Extracellular and Restricted DIffusion for Cytometry in Tumours）模型的自监督机器学习拟合。方法：我们推导了一种用于拟合VERDICT的自监督神经网络（ssVERDICT），其在无需训练数据的情况下估计参数图。我们将ssVERDICT的性能与两种已建立的扩散MRI模型拟合基线方法进行比较：传统的非线性最小二乘（NLLS）和监督式深度学习。我们在模拟数据上通过对比与模拟真值相关的皮尔逊相关系数、均方误差（MSE）、偏差和方差进行定量比较。我们还在20名前列腺癌患者的队列上计算体内参数图，并通过Wilcoxon符号秩检验比较各方法在区分良性与癌性组织上的性能。结果：在模拟中，就皮尔逊相关系数、偏差和MSE而言，ssVERDICT在估计VERDICT前列腺模型的所有参数上优于基线方法（NLLS和监督式DL）。在体内，ssVERDICT在所有参数图上显示出更强的病灶显见性，并较基线方法改善了良性与癌性组织的区分。结论：ssVERDICT显著优于VERDICT模型拟合的SOTA方法，并首次展示了利用机器学习拟合复杂三室生物物理模型而无需显式训练标签。