マルチパラメトリックMRI前立腺画像のセグメンテーションのためのマルチモーダルアルゴリズムの評価

マルチパラメトリック磁気共鳴画像法（MPMRI）の前立腺セグメンテーションは、前立腺がん診断と治療の治療をサポートするのに役立ちます。ただし、前立腺の手動セグメンテーションは主観的で時間がかかります。T2強調MR画像からの自動前立腺セグメンテーションのために、多くの深い学習モノダルネットワークが開発されています。前立腺を末梢ゾーン（PZ）および中央腺（CG）に分割する際に、マルチモーダルネットワークの付加価値を調査することを目指しました。Monomodal DenseVnet、Multimodal Scalenet、およびMonomodal highRES3DNETを最適化および評価し、WGでそれぞれ0.875、0.848、0.858、0.890のDICEスコア係数（DSC）を生成しました。Multimodal HighRES3DNETとScalenetは、PZとCGのみの統計的差異のみを伴うより高いDSCを生成し、Multimodal NetworksはPZ領域とCG領域間でより良いセグメンテーションを生成することにより値を増加させたが、WGセグメンテーションを改善しなかったことを示しています。モノモーダルネットワークとマルチモーダルネットワークの間のWGセグメンテーションの頂点とベースに有意な差は観察されず、頂点とベースのセグメンテーションが一般ネットワークアーキテクチャにより影響を受けたことを示しています。トレーニングデータの数は、20のステップで20から120までのdensevnetとhighres3dnetでも変化しました。DenseVnetは、TURPや異常な前立腺などの特別なケースでも0.65を超えるDSCを生成することができましたが、HighRes3DNETのパフォーマンスは変動しませんでした。全体的に最高のネットワークであるにもかかわらず、トレンド。マルチモーダルネットワークは、特別なケースのセグメント化に値を追加しませんでしたが、一般的に同じ一致したモノモーダルネットワークと比較してセグメンテーションの変動を減らしました。

Prostate segmentation in multiparametric magnetic resonance imaging (mpMRI) can help to support prostate cancer diagnosis and therapy treatment. However, manual segmentation of the prostate is subjective and time-consuming. Many deep learning monomodal networks have been developed for automatic whole prostate segmentation from T2-weighted MR images. We aimed to investigate the added value of multimodal networks in segmenting the prostate into the peripheral zone (PZ) and central gland (CG). We optimized and evaluated monomodal DenseVNet, multimodal ScaleNet, and monomodal and multimodal HighRes3DNet, which yielded dice score coefficients (DSC) of 0.875, 0.848, 0.858, and 0.890 in WG, respectively. Multimodal HighRes3DNet and ScaleNet yielded higher DSC with statistical differences in PZ and CG only compared to monomodal DenseVNet, indicating that multimodal networks added value by generating better segmentation between PZ and CG regions but did not improve the WG segmentation. No significant difference was observed in the apex and base of WG segmentation between monomodal and multimodal networks, indicating that the segmentations at the apex and base were more affected by the general network architecture. The number of training data was also varied for DenseVNet and HighRes3DNet, from 20 to 120 in steps of 20. DenseVNet was able to yield DSC of higher than 0.65 even for special cases, such as TURP or abnormal prostate, whereas HighRes3DNet's performance fluctuated with no trend despite being the best network overall. Multimodal networks did not add value in segmenting special cases but generally reduced variations in segmentation compared to the same matched monomodal network.