基于深度学习的前列腺癌早期计算机辅助诊断系统

### 基于深度学习的前列腺癌早期计算机辅助诊断系统 #### 1. 前列腺癌现状与传统诊断方法 前列腺癌在美国男性癌症死亡率中位居第二，仅次于肺癌。约14%的美国男性一生中会患前列腺癌，且年龄越大，患病几率越高。2020年，美国预计约有191,930名男性被诊断出患有前列腺癌，预计死亡人数约为33,330人。前列腺癌确诊患者的平均年龄为66岁，局部前列腺癌的5年生存率约为100%，但癌症扩散到身体其他器官时，生存率降至31%。这些数据凸显了前列腺癌早期诊断的重要性。 目前，前列腺癌的初步诊断技术主要有两种： - **直肠指检（DRE）**：医生通过戴手套的手指经直肠检查前列腺，以发现肿瘤。该检查成本低且操作简单，但只能检测到较大的肿瘤，检查结果的准确性很大程度上取决于医生的经验。 - **前列腺特异性抗原（PSA）筛查**：这是一种血液检测，通过测量血液中PSA的浓度来辅助诊断。健康和癌变的前列腺都会产生PSA，但癌变时PSA的生成量会增加。然而，PSA筛查的假阳性率较高，因为前列腺炎和前列腺增生等情况也可能导致血液中PSA含量升高。不过，PSA筛查的引入使前列腺癌的死亡率降低了20%。 由于这两种方法的准确性有限，它们通常用于确定哪些患者需要进行活检。活检是诊断前列腺癌的金标准，通常在超声或磁共振成像（MRI）引导下进行。但活检是一种侵入性手术，成本高，且可能漏检超过30%的恶性前列腺肿瘤。 #### 2. MRI在前列腺癌诊断中的应用 近年来，不同的MRI模态为前列腺癌的准确诊断提供了非侵入性的方法。目前用于前列腺癌计算机辅助诊断（CAD）系统的常见MRI模态包括T2加权、扩散加权（DWI）、动态对比增强（DCE）MRI和磁共振波谱。 DWI是一种功能性MRI模态，通过测量组织内水分子的随机运动来生成对比度图像。表观扩散系数（ADC）图像可以消除传统DWI中固有的T2加权效应，更准确地显示扩散情况。许多CAD系统已使用DWI单独或与其他模态结合来诊断前列腺癌，例如： - Firjani等人提出了基于K近邻的系统，利用前列腺区域的三个强度特征来区分良性和恶性病变。 - Litjens等人提出了基于支持向量机（SVM）的多模态系统，使用T2加权MRI、DWI和DCE - MRI，其特征包括外观、解剖结构和药代动力学参数。 - Vos等人提出了基于线性判别分析的多模态系统，使用与Litjens等人相同的模态，其特征包括纹理特征和一组ADC图。 - Trigui等人提出了使用四种常见MRI模态的多模态系统，并评估了SVM和随机森林两种分类模型的准确性。 - Shoshana等人提出了3特斯拉（T）多模态系统，使用放射组学特征诊断前列腺癌，最佳曲线下面积达到0.71。 - Khalvati等人提出了多模态系统，计算四种MRI模态的纹理特征，最高准确率达到88%。 - Yohannes等人比较了卷积神经网络（CNN）和传统手工特征技术的性能，发现CNN的使用使准确率提高了9%，检测率达到89%，而传统技术为80%。 - Kwak等人使用CNN从组织学图像中检测前列腺癌的侵袭性。 大多数基于DWI的前列腺癌诊断系统存在一个主要缺点，即分类通常在单一b值下进行，且不同系统使用的b值不一致。而本文提出的系统具有两个优势：一是在多个b值下测试前列腺癌诊断的准确性，所用数据集在七个b值下采集；二是数据集在1.5T和3T两种不同磁场强度下采集，因此报告的准确性不受扫描仪磁场强度的影响。 #### 3. 基于CNN的自动化诊断系统 本文提出了一种使用CNN诊断前列腺癌的自动化系统，所用DWI数据集来自45名受试者（20名良性，25名恶性），在七个b值（100、200、...、700 s/mm²）下采集，每个受试者在每个b值下平均有25个横断面DW图像。该系统主要包括三个步骤： - **前列腺分割**：使用水平集模型将前列腺区域从背景中分离出来，以减少复杂性并加快后续步骤。该模型采用强度、形状先验和空间特征，并使用非负矩阵分解（NMF）方法进行特征融合。 - **特征提取**：使用DWI生成的ADC图作为区分良性和恶性受试者的特征。DWI通过测量水分子在组织内的扩散来生成图像，其信号损失与水分子的扩散运动相关，可通过以下公式表示： - \(S_d = S_0 \times e^{-b \times ADC}\) - 其中，\(S_d\)是在某个b值下采集的扩散图像的像素强度，\(S_0\)是无扩散（\(b = 0 s/mm²\)）时的扩散图像的像素强度，\(b\)是与梯度脉冲的幅度和时间相关的变量，\(ADC\)是表观扩散系数。 - ADC图的计算方法为：\(ADC = \frac{-\ln S_b - \ln S_0}{b}\) - 通过计算不同b值下的ADC图，可以更准确地反映组织的扩散特性。 - **CNN分类