论文部分内容阅读
目的:前列腺癌(prostate cancer,PCa)是指发生在前列腺上皮细胞的侵袭性恶性癌灶。随着成年人比例增加和人口老龄化,PCa的发病率和死亡率呈现逐年上升的趋势,成为男性最常见的恶性疾病之一,早发现早治疗是提高PCa患者预后的关键。磁共振(magnetic resonance imaging,MRI)图像可以较好的显示前列腺分区及癌灶,但目前的诊疗工作仍面临诸多问题,如医疗资源分配不均导致疾病的漏诊、误诊较高,患者预后差;患者就诊不及时,错失最佳治疗时期;多学科协同模型不能普及等。随着人工智能在医学领域,尤其是在大数据分析和图像识别分类方面迅速发展,使得医学影像从最初的辅助诊断工具逐渐转变为个性化精准医疗的核心角色。为解决上述问题,本研究通过构建人工分割数据集,进行前列腺良恶性疾病、T分期的解剖学研究,同时创建基于深度学习的智能分割模型以及智能T分期诊断模型,以协助临床医生诊断。方法:回顾性收集来自山西省肿瘤医院2018年4月至2020年6月(n=33)、陆军军医大学第二附属医院2020年1月至2022年1月(n=196)和PROSTATE-x公开数据集(n=345)的542例患者术前MRI(preoperative MRI,pre-MRI)图像。其中175例前列腺癌患者有完整的临床信息。1.统计解剖学模型的构建将175例PCa患者的pre-MRI图像依据临床信息分为4组:T1组(n=25)、T2组(n=80)、T3组(n=36)、T4组(n=34)。以手工标注的外周带(Peripheral Zone,PZ)、移行带(transition zone,TZ)、中央带(central zone,CZ)、前纤维肌肉基质带(anterior fibromuscular stroma,AFS)和癌灶重建三维模型并计算其体积、长轴、横截面和体积比,分析前列腺癌不同T分期统计解剖学参数差异。2.智能分割模型的构建将542例患者的前列腺pre-MRI图像按7:1:2的比例随机分为训练集(n=381)、验证集(n=53)、测试集(n=108),用于前列腺分区智能分割模型的训练。以手工标注的前列腺分区、癌灶及毗邻结构作为参考标准,定量评估测试集的Dice相似系数(dice similarity coefficient,DSC)、精准度、交并比(intersection over union,Io U)、95%Hausdorff表面距离(Hausdorff distance,HD)和体积差。3.智能T分期诊断模型的构建将152例有完整临床信息的PCa患者的pre-MRI图像按7:1:2的比例随机分为训练集(n=107)、验证集(n=15)、测试集(n=30),用于智能T分期诊断模型的训练。比较智能诊断模型的特异性、F分数(F1-score)、准确率、受试者工作特征(receiver operating characteristic,ROC)曲线以及曲线下面积(the area under ROC curve,AUC)。结果:1.统计解剖学分析:前列腺癌肿瘤长径、最大横截面、体积、体积比用于诊断前列腺T1-T2期的临界值分别为2.30mm、1.30cm~2、0.90cm~3、0.03,T2-T3期的临界值分别为2.80mm、4.10 cm~2、8.29 cm~3、2.80,T3-T4期临界值分别为4.17 mm、3.84cm~2、18.71 cm~3、0.22。2.智能分割模型的性能评估:本研究构建的VA-Unet分割模型在测试集上对前列腺分区、癌灶及毗邻结构实现了较为准确的分割,PZ、TZ、CZ、AFS、癌灶、尿道、精囊腺、膀胱和直肠的最优DSC值和95%HD分别为0.816、0.903、0.501、0.586、0.583、0.613、0.738、0.926、0.848和16.10mm、12.61mm、17.37mm、21.77mm、40.29mm、11.95mm、25.93mm、34.67mm、7.60mm。除尿道结构外,VA-Unet模型预测的体积与手工标注的体积一致性很高,差值基本都位于95%一致范围之内。3.智能T分期诊断模型的性能评估:基于VA-Unet模型预测结果训练智能诊断模型较直接图像诊断性能增加,其AUC分别为0.648、0.491、0.787、0.796,准确率分别为0.567、0.600、0.600、0.733。结论:统计解剖学参数可用于前列腺癌T分期的诊断,本研究构建的VAU-Swin T网络模型可实现前列腺分区、癌灶及其毗邻结构的精准智能分割、协助癌灶的精准定位,以及智能T分期诊断,将有效提高前列腺癌的诊断效率,减少医师工作时间,降低其工作负担,节省医疗资源,促进前列腺MRI图像智能诊断技术的发展。