应用深度学习实现前列腺癌盆腔骨转移的分割并基于MET-RADS-P指南评估骨转移疗效
目的 对前期建立的前列腺癌骨盆转移灶分割模型进行外部验证,并在此基础上基于前列腺癌转移报告和数据系统(MET-RADS-P)进行前列腺癌骨转移治疗反应评估分类(RAC).方法 搜集40 例经病理证实为前列腺癌且临床证实存在盆腔骨转移的患者,所有患者均进行了一次骨转移治疗前和治疗后的盆腔MRI扫描.分别由一位影像科住院医师和专家对患者的转移灶进行手工标注,以手工标注作为参考标准评价模型的分割性能.并以手工标注的治疗前后骨转移病灶RAC评分(包括RAC 1st和RAC 2nd)为参考标准,评估基于自动分割、医师1(主治医师)和医师2(住院医师)RAC分类的准确性和一致性.骨转移灶分割性能的评估指标包括DICE相似系数(DSC)、体积相似性(VS)和豪斯道夫距离(HD).使用受试者工作特征曲线(ROC)曲线下面积(AUC)和Kappa值评估自动分割、医师1 和医师2 的RAC分类准确性和一致性.结果 模型对治疗前后的骨转移灶分割DSC值均在0.80 以上,VS值均大于0.90,HD均小于15 mm.对于RAC 1st的评估,基于自动分割及医师1 和医师2 的AUC值分别为0.88、0.84 和0.83;对于RAC 2nd的评估,其AUC值分别为0.82、0.76 和0.70.在RAC 1st中,基于自动分割、医师1 及医师2 的骨转移灶RAC分类与参考标准的Kappa值分别为 0.78、0.74 和 0.67;RAC 2nd的Kappa值分别为0.68、0.53 和0.50.结论 基于深度学习可实现前列腺癌盆腔骨转移灶的自动分割,并可在此基础上实现基于MET-RADS-P指南的前列腺癌骨转移RAC评分.
前列腺癌、深度学习、前列腺癌转移报告和数据系统、反应评估分类、图像配准
42
R737.25;TP391.41;R445.3
首都卫生发展科研专项项目;北京大学医学部优秀博士研究生创新基金资助项目
2023-09-11（万方平台首次上网日期，不代表论文的发表时间）
共7页
1277-1283
