Integrering av kvantitativ MR og kunstig intelligens for å forbedre klassifiseringen av prostatakreft

Observasjonsmessig (elektronisk journalgjennomgang, 3 T MR)

Annen: Gjennomgang av elektronisk helsejournal

Medisinske diagrammer gjennomgås

Fremgangsmåte: 3 Tesla Magnetic Resonance Imaging

Gjennomgå 3T MR

Andre navn:

• 3T MR
• 3 Tesla MR

Utvikling av kvantitativ dynamisk kontrast (DCE)-forbedret magnetisk resonansavbildning (MRI) analyseteknikker

Både overføringskonstant (Ktrans) og hastighetskonstant (Kep) fra normalt prostatavev vil bli evaluert for inter-scanner variabiliteten. Parvise ulikheter mellom distribusjoner vil bli estimert ved å beregne Kolmogorov-Smirnov-statistikken, definert som den maksimale forskjellen mellom de empiriske fordelingsfunksjonene over parameterens rekkevidde, ved å bruke 200 tilfeller for hver av tre MR-skannere. Gjennomsnittet av disse parvise ulikhetene mellom skannere vil bli beregnet for å kvantifisere det totale avviket til hver DCE-MRI-modell. Konstruksjon av et 95 % konfidensintervall for forskjellen i gjennomsnittlige avvik ved bruk av den ikke-parametriske oppstartsstroppen vil bli gjort for å sammenligne dette gjennomsnittlige avviket mellom DCE-MRI-modeller. 10 000 bootstrap-prøver vil bli generert ved å ta prøver av pasienter med erstatning, stratifisert av skanneren. Vil konkludere med at den foreslåtte DCE-MRI modellen har en redusert inter-scanner variabilitet hvis 95% konfidensintervall er helt mindre enn null.

Utvikling av diffusjonsvektet bildebehandling (DWI) metoder som reduserer prostata geometrisk forvrengning

Forskjeller mellom rektangulært synsfelt-ENCODE og standard DWI når det gjelder prostataterningens likhetskoeffisient (primært utfall) og tilsynelatende diffusjonskoeffisientkonsistens vil bli sammenlignet.

Utvikling av multi-class dyplæringsmodeller

Den generelle ytelsen til FocalNet og Prostate Imaging Reporting & Data System versjon 2 vil bli sammenlignet med hensyn til areal under kurven. Sammenligning mellom areal under kurvene vil bli utført ved hjelp av DeLongs test. Vil også inkludere sammenligningen mellom FocalNet og baseline dyplæringsmetoder (U-Net og Deeplab uten fokalt tap [FL] og gjensidig funnstap [MFL]) for å karakterisere fordelene ved å bruke FL og MFL med samme studiekull. For hver av disse tilnærmingene vil et optimalt grensepunkt for klassifisering av klinisk signifikant prostatakreft bli identifisert ved å maksimere Youdens J (= sensitivitet + spesifisitet - 1) og vil rapportere sensitivitet, spesifisitet og 95 % konfidensintervaller basert på valgt kutt- punkt.