Integratie van kwantitatieve MRI en kunstmatige intelligentie om de classificatie van prostaatkanker te verbeteren

Observationeel (elektronische beoordeling van het medisch dossier, 3 T MRI)

Ander: Beoordeling van elektronische medische dossiers

Medische dossiers worden bekeken

Procedure: 3 Tesla magnetische resonantie beeldvorming

3T MRI ondergaan

Andere namen:

• 3T-MRI
• 3 Tesla-MRI

Ontwikkeling van kwantitatieve dynamische contrast (DCE)-enhanced-magnetic resonance imaging (MRI) analysetechnieken

Zowel de overdrachtsconstante (Ktrans) als de snelheidsconstante (Kep) van normaal prostaatweefsel zullen geëvalueerd worden op de inter-scanner variabiliteit. Paarsgewijze ongelijkheden tussen distributies zullen worden geschat door de Kolmogorov-Smirnov-statistiek te berekenen, gedefinieerd als het maximale verschil tussen de empirische distributiefuncties over het bereik van de parameter, met behulp van 200 gevallen voor elk van de drie MRI-scanners. Het gemiddelde van deze paarsgewijze verschillen tussen scanners zal worden berekend om de algehele discrepantie van elk DCE-MRI-model te kwantificeren. Constructie van een 95% betrouwbaarheidsinterval voor het verschil in de gemiddelde discrepanties met behulp van de niet-parametrische bootstrap zal worden gedaan om deze gemiddelde discrepantie tussen DCE-MRI-modellen te vergelijken. Er zullen 10.000 bootstrap-samples worden gegenereerd door patiënten te samplen met vervanging, gestratificeerd door de scanner. Zal concluderen dat het voorgestelde DCE-MRI-model een verminderde variabiliteit tussen scanners heeft als het 95%-betrouwbaarheidsinterval volledig kleiner is dan nul.

Ontwikkeling van diffusie-gewogen beeldvormingsmethoden (DWI) die geometrische vervorming van de prostaat verminderen

Verschillen tussen rechthoekig gezichtsveld-ENCODE en standaard DWI in termen van de prostaat Dice's gelijkeniscoëfficiënt (primaire uitkomst) en schijnbare diffusiecoëfficiëntconsistentie zullen worden vergeleken.

Ontwikkeling van multi-class deep learning-modellen

De algehele prestaties van FocalNet en Prostate Imaging Reporting & Data System versie 2 worden vergeleken in termen van oppervlakte onder de curve. Vergelijking tussen oppervlakte onder de krommen zal worden uitgevoerd met behulp van de DeLong-test. Bevat ook de vergelijking tussen FocalNet en baseline deep learning-methoden (U-Net en Deeplab zonder focal loss [FL] en mutual finding loss [MFL]) om de voordelen van het gebruik van FL en MFL met hetzelfde studiecohort te karakteriseren. Voor elk van deze benaderingen zal een optimaal grenspunt voor classificatie van klinisch significante prostaatkanker worden geïdentificeerd door de J van Youden te maximaliseren (= sensitiviteit + specificiteit - 1) en zal sensitiviteit, specificiteit en 95% betrouwbaarheidsintervallen rapporteren op basis van de geselecteerde grenswaarde. punt.