Sep, 2023

论 MRI 前列腺癌检测中错误传播的模块化系统评估实践再思考

PDF
TL;DR磁共振成像在前列腺癌（PCa）检测中已成为关键组成部分，人工智能系统可以通过对临床显著（csPCa）和非临床显著（ncsPCa）的病变进行分割和分类来支持放射学评估。本研究通过比较两种具有异质性能的分割网络（s1 和 s2）对检测阶段的影响，并将其与理想情况（s1: 89.90+-2.23 csPCa, P<.001, 89.30+-4.07 和 88.12+-2.71 ncsPCa, P<.001）进行对比，评估了不同分割网络在前列腺癌检测中的效果。结果显示了对系统中涉及的所有子模块进行整体评估的重要性。
magnetic resonance imagingprostate cancerartificial intelligencelesion detectionsegmentation networks
发现论文，激发创造
  • 深度学习在前列腺癌诊断中的应用：mpMRI 分割与分类研究

    使用多种深度学习模型和多参磁共振成像技术对前列腺癌进行分类和分割，在各种度量指标上表现出优异的性能。

    Oct, 2023

  • 磁共振前列腺分割中的深度学习：回顾与新视角

    该研究采用深度学习算法中的 2D U-Net 来进行 MR 前列腺分割。通过对四个公开数据集的实验，该算法在前列腺分割中取得了较好的效果，并为未来研究者提供了标准化的实验设置。

    Nov, 2020

  • 评估基于深度学习模型使用不确定性分数进行前列腺癌分割的性能

    比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

    Aug, 2023

  • 基于可变元数据的前列腺病变检测的分离条件对比学习

    通过结合多参数磁共振成像、前列腺成像报告与数据系统以及对比损失函数，提高了公开 PI-CAI 挑战数据集上的病变检测的 AUC 值。

    Aug, 2023

  • 基于纹理特征分析的 mpMRI 早期前列腺癌分类

    磁共振成像（MRI）是诊断和分期前列腺癌的关键工具，但也产生了大量数据，必须由经过训练的专家评估，这是一项耗时且繁琐的任务。因此，已经开发了基于多种 MRI 模态（T2W、ADC 和高 b 值 DWI）的前列腺癌（PCa）风险分类自动化的机器学习工具。然而，理解和解释模型的预测仍然是一个挑战。本研究分析了随机森林（RF）和支持向量机（SVM）在两个互补数据集上的表现，即公共 Prostate-X 数据集和一个内部的大部分为早期 PCa 的数据集，以阐明一阶统计特征、Haralick 纹理特征和局部二进制模式对分类的贡献。通过相关性分析和 Shapley 影响力得分，我们发现许多通常使用的特征之间存在强相关性，并且大多数特征对分类几乎没有影响。我们确定了一小组决定分类结果的特征，这可能有助于开发可解释的 AI 方法。

    Jun, 2024

  • 使用深度卷积神经网络进行前列腺癌检测

    本文介绍了基于卷积神经网络（CNNs）构建自动化流程，用于检测临床意义的前列腺癌（PCa）的给定轴向 DWI 图像，并为每个患者进行检测。检测性能在受试患者中获得了 0.87 的接收器操作特征曲线下面积（AUC）（95％置信区间（CI）：0.84-0.90），在切片级别和患者级别分别为 0.84（95％CI：0.76-0.91）。

    May, 2019

  • 基于卷积神经网络的三维磁共振成像数据前列腺癌分类

    评估了不同的卷积神经网络（CNN）对 MRI 序列是否含有恶性病变进行可靠分类的能力，训练和评估了 3D 图像数据的 ResNet、ConvNet 和 ConvNeXt 实现，并使用不同的数据增强技术、学习率和优化器进行训练。最佳结果由 ResNet3D 获得，平均精确率为 0.4583，AUC ROC 得分为 0.6214。

    Apr, 2024

  • 使用联合训练驱动的多任务双通道卷积神经网络进行符合 PI-RADS v2 标准的前列腺分区自动分割

    通过使用双分支卷积神经网络，结合多任务学习和自监督损失函数，本研究提出的方法在 MRI 图像分割准确性上相对于基线方法提高了 7.56%、11.00%、58.43% 和 19.67%，分别适用于前列腺外围区（PZ）、过渡区（TZ）、远侧前列腺尿道（DPU）和前纤维肌层（AFS）区域。

    Sep, 2023

  • 面向经直肠超声诊断中临床重要前列腺癌分类的多模态融合与基于原型的特征细化

    提出了一个新颖的学习框架，利用多模态经直肠超声引导前列腺癌临床显著性分类，使用两个独立的 3D ResNet-50 从 B 模式和切变波弹性成像 (SWE) 中提取独特特征，同时加入注意模块以精确优化 B 模式特征并聚合两种模态提取的特征。此外，通过使用少样本分割任务增强分类编码器的能力，采用原型修正模块提取临床显著性前列腺癌代表性原型，针对 512 个经过活组织检查证实的前列腺癌 TRUS 视频进行了性能评估，结果表明了准确识别临床显著性前列腺癌的强大能力，达到了 0.86 的曲线下面积（AUC）。此外，该框架生成了视觉类别激活映射（CAM），可用于定位临床显著性前列腺癌，提高生物检查程序的效果。

    Jun, 2024

  • 高容量脑神经影像异常检测的人工智能：系统综述与荟萃分析

    大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

    May, 2024