二パラメトリックMRI前立腺がん放射線の手動セグメンテーションに代わる深い学習マスクセグメンテーション

目的：二面積測定磁気上の臨床的に有意な（CS）前立腺がん（PCA）のラジオミクスベースの診断のための手動セグメンテーションの代替として、深い学習マスク（DLM）自動固定容積（VOI）セグメンテーション法の値を決定する共鳴イメージング（BPMRI）。 材料と方法：この研究には、BPMRIの524 PCA病変（204はCS PCA）の遡及的なマルチセンターデータセットが含まれていました。すべての病変は、DLM自動固定VOIメソッド（病変あたり平均10秒未満）で半自動的にセグメント化され、専門家の尿路科医（病変あたり平均5分）によって手動でセグメント化されていました。DLM自動固定VOIメソッドは、球面VOI（1回のマウスクリックで示されているように、前立腺病変の最も低い見かけの拡散係数の位置にある中心）を使用します。前立腺セグメンテーションアルゴリズム。13種類のDLM自動固定VOI直径（6〜30 mmの範囲）が調査されました。抽出された放射性データは、トレーニングとテストセット（4：1の比率）に分割されました。パフォーマンスは、受信機動作特性（ROC）分析で評価されました。 結果：テストセットでは、VOI直径18 mm（0.76 [95％CI：0.66-0.85]）のDLMオート固定VOIメソッドのROC曲線（AUCS）の下の領域（P = 0.0198）が有意に高かった）マニュアルセグメンテーション方法（0.62 [95％CI：0.52-0.73]）よりも。 結論：DLM自動固定VOIセグメンテーションは、専門家の手動セグメンテーションよりもCS PCAの潜在的に正確な放射性診断を提供すると同時に、専門家の時間投資を97％以上削減できます。 キーポイント：•従来の専門家ベースのセグメンテーションと比較して、CS PCAの検出により、ディープラーニングマスク（DLM）自動固定VOI配置がより正確です。•従来の専門家ベースのセグメンテーションと比較して、DLMの自動固定VOI配置はより速く、97％の時間削減をもたらす可能性があります。•自動固定されたVOIラジオミクスアプローチに深い学習を適用することは価値があります。

OBJECTIVES: To determine the value of a deep learning masked (DLM) auto-fixed volume of interest (VOI) segmentation method as an alternative to manual segmentation for radiomics-based diagnosis of clinically significant (CS) prostate cancer (PCa) on biparametric magnetic resonance imaging (bpMRI). MATERIALS AND METHODS: This study included a retrospective multi-center dataset of 524 PCa lesions (of which 204 are CS PCa) on bpMRI. All lesions were both semi-automatically segmented with a DLM auto-fixed VOI method (averaging < 10 s per lesion) and manually segmented by an expert uroradiologist (averaging 5 min per lesion). The DLM auto-fixed VOI method uses a spherical VOI (with its center at the location of the lowest apparent diffusion coefficient of the prostate lesion as indicated with a single mouse click) from which non-prostate voxels are removed using a deep learning-based prostate segmentation algorithm. Thirteen different DLM auto-fixed VOI diameters (ranging from 6 to 30 mm) were explored. Extracted radiomics data were split into training and test sets (4:1 ratio). Performance was assessed with receiver operating characteristic (ROC) analysis. RESULTS: In the test set, the area under the ROC curve (AUCs) of the DLM auto-fixed VOI method with a VOI diameter of 18 mm (0.76 [95% CI: 0.66-0.85]) was significantly higher (p = 0.0198) than that of the manual segmentation method (0.62 [95% CI: 0.52-0.73]). CONCLUSIONS: A DLM auto-fixed VOI segmentation can provide a potentially more accurate radiomics diagnosis of CS PCa than expert manual segmentation while also reducing expert time investment by more than 97%. KEY POINTS: • Compared to traditional expert-based segmentation, a deep learning mask (DLM) auto-fixed VOI placement is more accurate at detecting CS PCa. • Compared to traditional expert-based segmentation, a DLM auto-fixed VOI placement is faster and can result in a 97% time reduction. • Applying deep learning to an auto-fixed VOI radiomics approach can be valuable.