面向多模态MRI前列腺癌灶检测与定位的广度深度残差网络研究

Prostate cancer is the third most common cancer in men and one of the leading causes of male cancer deaths in the World. However, prostate cancer is curable if it can be detected and diagnosed early. The ability of Multi-parametric magnetic resonance imaging (mpMRI) for improving the accuracy of detecting and localizing prostate cancer has been established. In order to develop a prostate cancer detection system using mpMRI, in this project we will propose a new kind of neural networks called wide & deep residual networks which encompass wide modules and stacked residual modules. This kind of new networks is expected to on the one hand utilize the prior information through the wide modules effectively and interpretably, and on the other hand learn the unseen abstract features through the residual modules profoundly. The combination of wide modules and deep modules is expected to reduce the number of hidden layers, accelerate the network training without degenerating the performance, and meet the real-time requirements in clinic. We will also theoretically analyze the learning capability of the new kind of networks, and implement many groups of experiments to evaluate the performance using four evaluation metrics. The success of this project will deepen our knowledge of understanding how our brain works, improve the accuracy of voxel-wise detection and localization of prostatic lesions, and will be helpful for us to achieve the goals of precision medicine.

前列腺癌是男性中第三常见的癌症，是引起男性死亡的一种严重疾病。但是假如早期能得到及时诊断和治疗，前列腺癌是可以治愈的。医学上已证实强调不同对比机制的多模态MR图像可以改善癌灶定位效果。为了实现基于多模态MRI体素级的前列腺癌灶检测，本项目拟提出一种称为广度深度残差的新型网络。该网络整合了广度模型和深度残差模型，一方面通过解释性更好的广度模型充分利用已有的先验信息，另一方面通过深度残差模型学习那些未知但对癌灶分类有效的新表示。这两部分的有机结合可以在保证分类准确率的前提下减少网络隐层的数量，加快网络训练的速度，提高网络的学习能力，从而满足临床上的实时性要求。本项目拟在理论上和实验上评估该新型网络的学习能力，并采用四种不同指标来衡量该前列腺癌灶检测的效果。本项目的研究对于加深对人脑工作机制的理解、提高前列腺癌灶定位的准确性和最终实现精准医疗，都有着重要的意义。

前列腺癌是男性中第三常见的癌症，是引起男性死亡的一种严重疾病。但是假如早期能得到及时诊断和治疗，前列腺癌是可以治愈的。医学上已证实强调不同对比机制的多模态MR图像可以改善癌灶定位效果。为了实现基于多模态MRI体素级的前列腺癌灶检测，本研究提出不同的模型来提高癌灶检测的灵敏度和特异度。首先我们提出了一种可自适应学习边权和特征选择的图框架，该框架假设样本在标签空间和特征空间中具有相同的图结构，通过求解三个凸优化问题，我们有效解决了图算法建图难问题。为了进一步提高算法的计算效率，受线性判别分析的启发，本研究还提出一种基于局部对齐判别分析的算法。大量的实验表明，本研究所提的算法的检测精度都得到了很大的提升，为满足临床上的需求打下了坚实的基础。同时，我们已经采集了更多患者的数据，在此基础上我们可利用深度模型进行更广泛的研究。在本项目的资助下，我们在图像生成、图像修复、社团分类、非均衡信息推断、神经网络的可解释性学习等方面都取得了重要进展。