PI-RADS Net: Une nouvelle méthode d’apprentissage profond pour la détection du cancer de la prostate cliniquement significatif à l'IRM
Résumé
Le cancer de la prostate est le plus fréquent chez les hommes, représentant 15 % des cas dans 112 pays. Le nombre de diagnostics devrait passer de 1,4 million en 2020 à 2,9 millions d’ici 2040. La détection précoce et précise du cancer de la prostate à l’aide de l’imagerie par résonance magnétique (IRM) reste un défi important dans la recherche médicale. Ce travail présente un nouveau modèle d’apprentissage profond inspiré du protocole PI-RADS pour détecter les cancers de la prostate cliniquement significatifs sur les images IRM. Peu d’études se focalisent sur la reproduction du processus décisionnel des radiologues. Notre modèle PI-RADS-Net vise à reproduire fidèlement l’interprétation de l’IRM selon le système PI-RADS. Une architecture à deux branches a été utilisée : des images pondérées en T2 pour la zone de transition (TZ) et une combinaison d’images DWI et de séquences ADC pour la zone périphérique (PZ). Une extension initiale, PI-RADS-BimodalNet, intégrant des paramètres cliniques (le taux de PSA, le volume de la prostate et l’âge), a également été développée. Les résultats montrent que PI-RADS-Net a amélioré la classification, soulignant l’importance d’intégrer les paramètres cliniques dans l’apprentissage. De plus, le modèle PI-RADS-BimodalNet a obtenu une aire sous la courbe (AUC) de 0,83 lors des tests . Notre approche offre un potentiel prometteur pour améliorer le diagnostic du cancer de la prostate cliniquement significatif, réduire les biopsies inutiles et améliorer les résultats pour les patients.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |