ssVERDICT: Self-Supervised VERDICT-MRI for Enhanced Prostate Tumour Characterisation

要約

MRI は前立腺がん (PCa) の診断に使用されることが増えており、拡散 MRI (dMRI) が重要な役割を果たしています。
dMRI を計算モデルと組み合わせると、細胞サイズなどの微細構造情報を推定できます。
従来、このようなモデルは、高い計算コストを伴う非線形最小二乗 (NLLS) 曲線近似アプローチで近似されていました。
教師ありディープ ニューラル ネットワーク (DNN) は効率的な代替手段ですが、そのパフォーマンスは、基礎となる合成トレーニング データの分布によって大きく影響されます。
自己教師あり学習は魅力的な代替手段であり、別のトレーニング データセットを使用する代わりに、ネットワークが入力データ自体の特徴を学習します。
このアプローチは、これまでのところ、自明な dMRI モデルのフィッティングにのみ適用されています。
ここでは、前立腺の VERDICT (腫瘍におけるサイトメトリーのための血管、細胞外および制限された拡散) モデルのパラメーターを推定する自己教師あり DNN を紹介します。
私たちは、明示的なトレーニング ラベルを必要とせずに、複雑な 3 コンパートメント生物物理モデルを機械学習でフィッティングすることを初めて実証します。
推定パフォーマンスをベースライン NLLS および教師あり DNN 手法と比較し、推定精度の向上とグラウンド トゥルース値に関するバイアスの減少を観察します。
また、我々のアプローチは、20 人の PCa 患者のデータセットに関する他の方法と比較して、癌性前立腺組織と良性前立腺組織の識別においてより高い信頼レベルを達成しており、正確な腫瘍特性評価の可能性を示しています。

要約(オリジナル)

MRI is increasingly being used in the diagnosis of prostate cancer (PCa), with diffusion MRI (dMRI) playing an integral role. When combined with computational models, dMRI can estimate microstructural information such as cell size. Conventionally, such models are fit with a nonlinear least squares (NLLS) curve fitting approach, associated with a high computational cost. Supervised deep neural networks (DNNs) are an efficient alternative, however their performance is significantly affected by the underlying distribution of the synthetic training data. Self-supervised learning is an attractive alternative, where instead of using a separate training dataset, the network learns the features of the input data itself. This approach has only been applied to fitting of trivial dMRI models thus far. Here, we introduce a self-supervised DNN to estimate the parameters of the VERDICT (Vascular, Extracellular and Restricted DIffusion for Cytometry in Tumours) model for prostate. We demonstrate, for the first time, fitting of a complex three-compartment biophysical model with machine learning without the requirement of explicit training labels. We compare the estimation performance to baseline NLLS and supervised DNN methods, observing improvement in estimation accuracy and reduction in bias with respect to ground truth values. Our approach also achieves a higher confidence level for discrimination between cancerous and benign prostate tissue in comparison to the other methods on a dataset of 20 PCa patients, indicating potential for accurate tumour characterisation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google