Deformable MRI Sequence Registration for AI-based Prostate Cancer Diagnosis

PI-CAI（前列腺成像：癌症AI）挑战赛导致了专家级别的临床重要前列腺癌症检测算法。算法的输入是双参数磁共振成像扫描，包括T2加权和弥散加权扫描。由于扫描过程中的多种因素，这些扫描可能会出现错位。图像配准可以通过预测序列之间的变形来缓解这个问题。我们研究了图像配准对基于AI的前列腺癌症诊断的影响。首先，我们使用带有配对病变注释的数据集分析了在MeVisLab中开发的图像配准算法。其次，通过比较使用原始数据集、刚性对齐的弥散加权扫描或可变形对齐的弥散加权扫描的病例级癌症诊断性能，评估了配准对诊断的影响。刚性配准没有显示出改进。可变形配准表现出病变重叠的显着提高（+10%中位数Dice分数），以及对诊断性能的积极但不显著的提高（+0.3% AUROC，p = 0.18）。我们的研究表明，病变对齐的显着提高并不直接导致诊断性能的显著提高。定性分析表明，共同开发图像配准方法和诊断AI算法可以提高诊断准确性和患者预后。

本论文旨在研究图像配准对于基于AI的前列腺癌诊断的影响。针对输入的双参数MRI扫描，研究了图像配准算法对于前列腺癌诊断性能的影响。

通过对比使用原始数据集、刚性配准扫描和可变形配准扫描的情况下的癌症诊断表现，发现可变形配准可以显著提高病变重叠度并有望提高癌症诊断表现。此外，研究结果表明，联合开发图像配准方法和诊断AI算法可以提高诊断准确性和患者预后。

实验结果显示，可变形配准可以显著提高病变重叠度，并有望提高癌症诊断表现。研究结果表明，联合开发图像配准方法和诊断AI算法可以提高诊断准确性和患者预后。

在前列腺癌诊断领域，最近的相关研究包括“Prostate cancer detection using deep learning: a review”和“Artificial intelligence in prostate MRI: clinical and technical issues”。