[论文解读] Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer

Dejan Kostyszyn, Tobias Fechter+23 more|arXiv (Cornell University)|Aug 7, 2020

Prostate Cancer Diagnosis and Treatment参考文献 28被引用 4

一句话总结

本研究提出一种用于原发性前列腺癌患者PSMA-PET影像中前列腺内肿瘤自动分割的3D U-Net卷积神经网络（CNN）。该模型在来自两家机构的152名患者数据上进行训练，其在内部和外部测试数据集上均表现出高Dice分数（中位数0.84）和高敏感性（最高达1.0），展现出鲁棒、精确且快速（每幅扫描6秒）的性能，与专家勾画结果相当。

ABSTRACT

Accurate delineation of the intraprostatic gross tumour volume (GTV) is a prerequisite for treatment approaches in patients with primary prostate cancer (PCa). Prostate-specific membrane antigen positron emission tomography (PSMA-PET) may outperform MRI in GTV detection. However, visual GTV delineation underlies interobserver heterogeneity and is time consuming. The aim of this study was to develop a convolutional neural network (CNN) for automated segmentation of intraprostatic tumour (GTV-CNN) in PSMA-PET. Methods: The CNN (3D U-Net) was trained on [68Ga]PSMA-PET images of 152 patients from two different institutions and the training labels were generated manually using a validated technique. The CNN was tested on two independent internal (cohort 1: [68Ga]PSMA-PET, n=18 and cohort 2: [18F]PSMA-PET, n=19) and one external (cohort 3: [68Ga]PSMA-PET, n=20) test-datasets. Accordance between manual contours and GTV-CNN was assessed with Dice-Sørensen coefficient (DSC). Sensitivity and specificity were calculated for the two internal test-datasets by using whole-mount histology. Results: Median DSCs for cohorts 1-3 were 0.84 (range: 0.32-0.95), 0.81 (range: 0.28-0.93) and 0.83 (range: 0.32-0.93), respectively. Sensitivities and specificities for GTV-CNN were comparable with manual expert contours: 0.98 and 0.76 (cohort 1) and 1 and 0.57 (cohort 2), respectively. Computation time was around 6 seconds for a standard dataset. Conclusion: The application of a CNN for automated contouring of intraprostatic GTV in [68Ga]PSMA- and [18F]PSMA-PET images resulted in a high concordance with expert contours and in high sensitivities and specificities in comparison with histology reference. This robust, accurate and fast technique may be implemented for treatment concepts in primary PCa. The trained model and the study's source code are available in an open source repository.

研究动机与目标

• 开发一种自动化的深度学习方法，以准确勾画原发性前列腺癌患者前列腺内大体肿瘤体积（GTV）。
• 克服手动勾画PSMA-PET影像中GTV所面临的人工观察者间差异和时间限制。
• 评估3D U-Net CNN模型与专家轮廓及组织病理学参考标准的性能表现。
• 通过在多种PSMA-PET示踪剂（[68Ga]和[18F]）及独立数据集上测试，确保模型的泛化能力。
• 为临床和研究用途，公开提供训练好的模型和代码。

提出的方法

• 采用3D U-Net架构作为深度学习框架，用于前列腺内肿瘤的3D体积分割。
• 模型在152名患者的[68Ga]PSMA-PET影像上进行训练，真实标签通过经验证的手动分割技术生成。
• 训练数据来自两家机构，以增强模型的鲁棒性和泛化能力。
• 模型在三个独立测试数据集上进行评估：两个内部队列（一个为[68Ga]PSMA-PET，n=18；一个为[18F]PSMA-PET，n=19）和一个外部队列（[68Ga]PSMA-PET，n=20）。
• 性能通过Dice-Sørensen系数（DSC）、敏感性和特异性进行量化，其中在两个内部队列中使用全切片组织病理学作为参考标准。
• 推理时间测量约为每标准数据集6秒，表明其具备临床可行性。

实验结果

研究问题

• RQ1 与专家手动轮廓相比，3D U-Net深度学习模型在PSMA-PET影像中分割前列腺内肿瘤是否能达到高精度？
• RQ2 该模型在不同PSMA示踪剂（[68Ga]与[18F]）及独立数据集上的表现如何？
• RQ3 当以全切片组织病理学作为金标准时，自动分割的敏感性和特异性如何？
• RQ4 与人工勾画GTV的观察者间差异相比，该模型的性能表现如何？
• RQ5 该模型是否能在极少微调的情况下，跨机构和成像协议实现良好泛化？

主要发现

• 在第一个内部队列（[68Ga]PSMA-PET）中，人工轮廓与GTV-CNN之间的中位Dice-Sørensen系数（DSC）为0.84，范围为0.32–0.95。
• 第二个内部队列（[18F]PSMA-PET）的中位DSC为0.81，范围为0.28–0.93。
• 外部测试队列（[68Ga]PSMA-PET）的中位DSC为0.83，范围为0.32–0.93，表明模型具有强大的泛化能力。
• 在第一个内部队列中，GTV-CNN的敏感性为0.98，特异性为0.76；在第二个队列中，敏感性为1.0，特异性为0.57。
• 模型的推理时间约为每数据集6秒，证明其具备临床可行性。
• 训练好的模型和源代码已公开发布于开源代码库，供更广泛的研究与临床应用。