정량적 MRI와 인공 지능을 통합하여 전립선암 분류 개선

관찰(전자 건강 기록 검토, 3T MRI)

다른: 전자 건강 기록 검토

의료 차트가 검토됩니다.

절차: 3 테슬라 자기공명영상

3T MRI 받기

다른 이름들:

• 3T MRI
• 3 테슬라 MRI

DCE(quantitative dynamic contrast) 강화 자기공명영상(MRI) 분석 기법 개발

정상 전립선 조직의 전달 상수(Ktrans)와 속도 상수(Kep) 모두 스캐너 간 변동성에 대해 평가됩니다. 3개의 MRI 스캐너 각각에 대해 200개의 사례를 사용하여 모수 범위에 대한 경험적 분포 함수 간의 최대 차이로 정의되는 Kolmogorov-Smirnov 통계를 계산하여 분포 사이의 쌍별 불일치를 추정합니다. 스캐너 간의 이러한 쌍별 불일치의 평균은 각 DCE-MRI 모델의 전체 불일치를 정량화하기 위해 계산됩니다. DCE-MRI 모델 간의 평균 불일치를 비교하기 위해 비모수 부트스트랩을 사용하여 평균 불일치의 차이에 대한 95% 신뢰 구간을 구성합니다. 10,000개의 부트스트랩 샘플은 대체 환자를 샘플링하고 스캐너로 계층화하여 생성됩니다. 제안된 DCE-MRI 모델은 95% 신뢰 구간이 완전히 0보다 작은 경우 스캐너 간 변동성이 감소한다고 결론을 내릴 것입니다.

전립선 기하학적 왜곡을 감소시키는 확산강조영상(DWI) 방법 개발

전립선 다이스의 유사성 계수(일차 결과) 및 겉보기 확산 계수 일관성 측면에서 직사각형 시야-ENCODE와 표준 DWI 간의 차이를 비교합니다.

멀티클래스 딥러닝 모델 개발

FocalNet과 Prostate Imaging Reporting & Data System 버전 2의 전체 성능은 곡선 아래 영역 측면에서 비교됩니다. 곡선 아래 영역 간의 비교는 DeLong의 테스트를 사용하여 수행됩니다. 또한 동일한 연구 코호트에서 FL 및 MFL을 사용하는 이점을 특성화하기 위해 FocalNet과 기본 딥 러닝 방법(초점 손실[FL] 및 상호 검색 손실[MFL]이 없는 U-Net 및 Deeplab) 간의 비교도 포함됩니다. 이러한 각 접근 방식에 대해 Youden의 J(= 민감도 + 특이도 - 1)를 최대화하여 임상적으로 유의미한 전립선암 분류를 위한 최적의 컷 포인트를 식별하고 선택한 컷을 기준으로 민감도, 특이도 및 95% 신뢰 구간을 보고합니다. 가리키다.