基于深度学习的MRI图像下前列腺癌T分期诊断研究

目的 通过与 Dense-Net、Res-Net 和 Vision-Transformer(ViT)网络比较,探讨 Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势.方法 收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活检证实的前列腺癌患者的MRI图像,包括T2WI和fT2WI两种序列共计3 017幅.依据临床T分期报告,将患者图像分为2类:低中危组(T≤T2c)和高危组(T ≥ T3a),并将所有患者按照7∶1∶2的比例简单随机划分为训练集(n=107)、验证集(n=15)和测试集(n=30)用于训练智能T分期诊断模型.采用准确度、精确度、混淆矩阵、受试者工作特征曲线(ROC)以及ROC曲线下面积(AUC)等参数评估各网络的诊断效能.结果 在低中危组和高危组的二分类中,Dense-Net、Res-Net、ViT以及SwinT网络模型训练集中精确率分别为0.587、0.410、0.600、0.680,以及 AUC 分别为 0.630、0.477、0.648、0.708.SwinT 网络模型热力图的注意力主要集中在前列腺区域,特征提取效果最好.结论 相比Dense-Net、Res-Net及ViT网络,SwinT网络在前列腺癌MRI图像分类任务中取得了最优的预测性能,可用于前列腺癌T分期的智能诊断,提高诊疗效率.