利用多参数MRI迁移学习模型进行前列腺癌分类

目的：前列腺癌分类对患者的预后和治疗计划有重大影响。目前，这一分类基于对活检组织的Gleason评分分析，既不准确也不无风险。本研究旨在学习前列腺图像中的判别特征，并协助医生自动分类前列腺癌。方法：我们开发了一种新颖的多参数磁共振迁移学习（MPTL）方法，以自动分期前列腺癌。我们首先建立了一个具有三分支结构的深度卷积神经网络，将预训练模型转移以从多参数MRI图像（mp-MRI）中计算特征：T2w横断面、T2w矢状面和表观扩散系数（ADC）。学习到的特征被串联以表示mp-MRI序列的信息。然后提出了一种新的图像相似性约束，以使同一类别内的特征分布在狭角区域内。通过在微调过程中对softmax损失和图像相似性损失的联合约束，MPTL可以提供具有类内紧凑性和类间可分性的描述性特征。结果：利用来自我们机构审查委员会批准的患者数据库的132例和来自PROSTATEx-2挑战的112例两个队列来评估所提MPTL模型的稳健性和有效性。我们的模型在前列腺癌分类中达到了86.92%的高准确率。此外，比较结果表明，方法在前列腺癌分类中优于基于手工设计特征的方法和现有深度学习模型，具有更高的准确性。结论：实验结果表明，所提出的方法能够学习前列腺图像中的判别特征，并准确分类癌症。我们的MPTL模型可以进一步应用于临床实践，为癌症治疗和精准医学提供有价值的信息。