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

要約

目的: 前立腺の VERDICT (腫瘍細胞計測のための血管、細胞外、および制限された拡散) モデルの自己教師あり機械学習フィッティングを実証および評価します。
方法: トレーニング データなしでパラメーター マップを推定する VERDICT (ssVERDICT) をフィッティングするための自己教師ありニューラル ネットワークを導出します。
ssVERDICT のパフォーマンスを、拡散 MRI モデルをフィッティングするための 2 つの確立されたベースライン手法である従来の非線形最小二乗法 (NLLS) と教師あり深層学習と比較します。
これは、ピアソンの相関係数、平均二乗誤差 (MSE)、バイアス、および分散をシミュレートされたグラウンド トゥルースと比較することにより、シミュレートされたデータに対して定量的に行われます。
また、20 人の前立腺がん患者のコホートで in vivo パラメーター マップを計算し、Wilcoxon の符号付き順位検定によって良性組織と癌性組織を識別する方法のパフォーマンスを比較します。
結果: シミュレーションでは、ssVERDICT は、ピアソンの相関係数、バイアス、および MSE の点で、VERDICT 前立腺モデルからすべてのパラメーターを推定する際に、ベースライン手法 (NLLS および教師付き DL) よりも優れています。
in vivo では、ssVERDICT はすべてのパラメーター マップにわたってより強い病変の顕著性を示し、ベースライン法と比較して良性組織と癌性組織の識別が向上します。
結論: ssVERDICT は、VERDICT モデル フィッティングの最先端の方法を大幅に上回り、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できることを初めて示しました。

要約(オリジナル)

Purpose: Demonstrating and assessing self-supervised machine learning fitting of the VERDICT (Vascular, Extracellular and Restricted DIffusion for Cytometry in Tumours) model for prostate. Methods: We derive a self-supervised neural network for fitting VERDICT (ssVERDICT) that estimates parameter maps without training data. We compare the performance of ssVERDICT to two established baseline methods for fitting diffusion MRI models: conventional nonlinear least squares (NLLS) and supervised deep learning. We do this quantitatively on simulated data, by comparing the Pearson’s correlation coefficient, mean-squared error (MSE), bias, and variance with respect to the simulated ground truth. We also calculate in vivo parameter maps on a cohort of 20 prostate cancer patients and compare the methods’ performance in discriminating benign from cancerous tissue via Wilcoxon’s signed-rank test. Results: In simulations, ssVERDICT outperforms the baseline methods (NLLS and supervised DL) in estimating all the parameters from the VERDICT prostate model in terms of Pearson’s correlation coefficient, bias, and MSE. In vivo, ssVERDICT shows stronger lesion conspicuity across all parameter maps, and improves discrimination between benign and cancerous tissue over the baseline methods. Conclusion: ssVERDICT significantly outperforms state-of-the-art methods for VERDICT model fitting, and shows for the first time, fitting of a complex three-compartment biophysical model with machine learning without the requirement of explicit training labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google