基于多参数核磁的前列腺癌自动检测与诊断方法研究

Prostate cancer (PCa) is the second leading cause of death among men. Recently, the incidence of PCa in China is on the rise, ranked 5 among all cancers. Automated detection and diagnosis of PCa based on multiparametric magnetic resonance images (mp-MRI), which is critical for increasing the survival rate of patients and improving prognosis, has been become a world-wide hot research topic. In the proposal, we will integrate the methods and concept of machine learning into the mp-MRI based PCa detection and diagnosis task. Our research mainly focuses on accurate foci region detection, segmentation and feature learning based on only a very limited amount of training data, as well as image classification based on severely unevenly distributed samples. More specifically, we will conduct in-depth exploration from the following five aspects: (1) mp-MRI data normalization methods, (2) accurate segmentation oriented end-to-end image registration method, (3) accurate object detection and segmentation based on limited training data, (4) multi-view feature learning and fusion, and (5) feature learning and classification based on severely unevenly distributed samples. Finally, we will build an automated PCa detection and diagnosis system to evaluate the proposed methods. This proposal can provide some theoretical and technical support for large-scale PCa screening, navigating prostate biopsies and computer-aided diagnosis of many other typical diseases from medical images.

前列腺癌是男性第二大致死癌症，近年来我国的前列腺癌发病率呈明显上升趋势，在所有癌症中排名第五。基于多参数核磁影像分析的前列腺癌自动检测诊断是提高前列腺患者存活率、改善预后效果的关键，成为当前国内外研究的热点前沿课题。本项目拟结合机器学习方法和思想，重点研究面向小数据量训练样本情况下的病灶区域检测、分割、特征学习以及样本分布严重不均衡情况下的分类问题，具体开展以下几个方面的研究：（1）多参数核磁影像的信号归一化方法；（2）面向精确分割的端到端图像配准方法；（3）小训练样本情况下的精确目标检测和分割方法；（4）多角度特征学习和融合方法；（5）样本分布严重不均衡情况下的特征学习和分类方法。最后，拟搭建前列腺癌自动检测诊断示范系统，对项目研究的方法进行测试和评价。本项目为大规模前列腺癌筛查、活检穿刺辅助导航以及其他典型疾病的医学影像辅助诊断等实际应用提供关键的核心算法和技术支撑。

研究背景：前列腺癌是男性第二大致死癌症，近年来我国的前列腺癌发病率呈明显上升趋势，在所有癌症中排名第五。基于多参数核磁影像分析的前列腺癌自动检测诊断是提高前列腺患者存活率、改善预后效果的关键，成为当前国内外研究的热点前沿课题。.主要研究内容：本项目拟结合机器学习方法和思想，重点研究：1）医学影像中基于多模态特征融合、基于无监督跨域、和部分标注三类情况下的目标分割方法以及医学影像中的血管分割方法；2）结合样本合成和联邦学习的前列腺癌自动检测及分类方法；3）基于影像的前列腺癌病变区域高区分性视觉特征计算方法。最后，拟搭建前列腺癌自动检测诊断示范系统，对项目研究的方法进行测试和评价。本项目为大规模前列腺癌筛查、活检穿刺辅助导航以及其他典型疾病的医学影像辅助诊断等实际应用提供关键的核心算法和技术支撑。.重要结果及关键数据：基于本项目研究成果发表高水平期刊会议论文16篇，其中中科院一区期刊13篇；项目负责人杨欣及主要参与人舒祥波在项目执行期内均获批国家优秀青年基金资助，项目主要参与人王兴刚获批青年拔尖项目；依托项目成果获得全国互联网+竞赛金奖一项。项目具体结果和数据包括：1）医学影像分割方面，我们设计了一种新的多相多层次选择特征融合分割网络MMNet，在有疾病的腹部器官分割任务上取得了89.61%的分割精度，比SOTA方法高出1.26%；设计了基于无监督域自适应的跨模态分割框架及方法，在腹部多器官数据集中以CT为源域，MRI作为目标域时，Dice分割精度提升40%；同时本项目方法能有效处理仅有部分标注训练样本的分割模型学习。在仅有部分标注训练样本时，所提出的方法性能在四个公开的单器官数据集LiTS，MSD-Spleen，KiTS和NIH82上的实验结果（Dice）分别为96.80%，95.81%，95.63%和86.27%，平均精度为93.62%, 优于SOTA方法性能。并且模型在两个外部多器官数据集（BTCV和Abdomen1K）的泛化性能优异，Dice分别达到了89.47%和90.88%，分别高出SOTA方法2.39%和1.23%。2）在前列腺癌分类任务上，我们提出了基于样本合成和联邦学习的图像分类方法，在医院收集的前列腺数据集和公开数据集PROSTATEx上，项目所提出方法在2-客户端下取得了97.22%的分类准确率和98.75%AUC。

内容获取失败，请点击重试