% Baldeon-Calisto,玛丽亚%,Zhouping % Abudalou,眼眶% Yilmaz, Yasin %计,肯尼斯·% Pow-Sang,胡里奥% Balagurunathan, Yoganand % D J核医学前沿2023% % C % F % G英语% K前列腺癌,前列雷竞技rebat腺癌分割,机器学习,深入学习,神经网络,优化网络,EMONAS, ADANet % Q % 10.3389 R / W fnume.2022.1083245 % % L % M % P % 7% 8 2023 - 2月- 06 % 9原始研究% # % !前列腺分割使用神经网络% * % < % T深多目标神经网络架构在t2加权MRI检测前列腺解剖:绩效评估% U //www.thespel.com/articles/10.3389/fnume.2022.1083245 % V 2% 0期刊文章% @ 2673 - 8880 % X前列腺分割是主要的一步估计腺体积,艾滋病在前列腺疾病管理。雷竞技rebat在这项研究中,我们提出一个2 d-3d卷积神经网络(CNN),自动段整个前列腺随着周边区(PZ) (PPZ-SegNet)使用t2加权序列(T2W)的磁共振成像(MRI)。该研究使用4个不同的公共组织为训练数据集# 1和测试# 1(独立来源于同一队列),测试# 2,测试# 3和# 4测试。前列腺和外围区域(PZ)与解剖学手动划定共识由放射科医师阅读,除了测试# 4组预置腺解剖。贝叶斯hyperparameter优化方法应用于构建网络模型(PPZ-SegNet)训练队列(火车# 1,n = 150)使用5倍交叉验证。模型评价进行一个独立的群283 T2W MRI前列腺癌病例(测试# 1 - # 4)没有任何额外的调优。数据组来自癌症成像档案(TCIA): PROSTATEx挑战,前列腺切除术,可重复性研究和PROMISE12-Challenge。骰子的分割性能评估计算相似系数和豪斯多夫距离区域和标识的estimated-deep-network radiologist-drawn注释。深层网络体系结构能够部分前列腺解剖骰子平均分数为0.86在测试# 1 (n = 192), 0.79测试# 2 (n = 26), 0.81 # 3 (n = 15)进行测试,在测试# 4和0.62 (n = 50)。 We also found the Dice coefficient improved with larger prostate volumes in 3 of the 4 test cohorts. The variation of the Dice scores from different cohorts of test images suggests the necessity of more diverse models that are inclusive of dependencies such as the gland sizes and others, which will enable us to develop a universal network for prostate and PZ segmentation. Our training and evaluation code can be accessed through the link: https://github.com/mariabaldeon/PPZ-SegNet.git。