论文部分内容阅读
磁共振成像(Magnetic Resonance Imaging,MRI)是重要的临床检查手段,分析多参数磁共振成像(Multi-Parametric MRI,MP-MRI)在临床疾病的诊断中依赖于影像医生的临床经验。基于数据驱动的人工智能(Artificial Intelligence,AI)算法,计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统能够辅助医生进行临床诊断。前列腺癌(Prostate Cancer,PCa)是男性发病率最高的癌症之一,早期诊断对于前列腺癌治疗具有重要意义。本文以临床显著性前列腺癌诊断为切入点,探索人工智能算法在磁共振影像辅助诊断中的应用。我们首先利用多参数磁共振影像对临床显著性前列腺癌和非临床显著性前列腺癌进行鉴别。首先我们使用影像组学(Radiomics)方法,分别从T2加权图像(T2 Weighted Images,T2WI)、扩散加权图像(Diffusion Weighted Images,DWI)和表观扩散系数(Apparent Diffusion Coefficient,ADC)图像中,分别提取灰度特征和纹理特征。我们利用单个序列以及多个序列组合建模,并比较不同特征对前列腺癌显著性的鉴别效能。通过PROSTATEx数据集,我们发现在使用DWI序列灰度特征和纹理特征建模时,能够达到最佳分类效果,曲线下面积(Area Under the Curve,AUC)达到0.85。然后,我们使用深度学习(Deep Learning,DL)对同一问题进行建模,我们比较了不同的预处理方法、网络结构和损失函数对深度学习模型诊断效能的影响。为了扩大样本量并使得网络更好地利用前列腺癌灶的内外对比信息,我们使用所有含癌灶的图像作为输入,并将图像以癌灶为中心进行裁剪后再赋予癌灶内外不同权重,使用加入注意力机制(Attention Mechanism,AM)的NAS Mobile Net网络结构,模型可以在测试集上达到0.91的AUC,超过了影像组学模型表现。此外,我们也对前列腺癌的病理图像进行分析,依据格里森分级(Gleason Grade)对病理图像进行区域分割,并在此基础上给出了患者的格里森评分(Gleason Score)。我们利用Gleason2019挑战赛的公开数据,使用了PSP Net和Nest Net网络结构。实验结果表明,我们的模型在Grade的判别和Score的计算方面,可以达到较好的效果。