文献速递泌尿生殖腹部MR

共形预测的不确定性量化对基于深度学习MRI前列腺分割体积评估的影响

Impact of uncertainty quantification through conformal prediction on volume assessment from deep learning-based MRI prostate segmentation.
PubMed 文献 · Insights Imaging · 2024-11-29

该回顾性多中心研究纳入377例有前列腺癌风险的男性3T轴位T2加权MRI,用共形预测(CP)以85%置信水平标记深度学习(DL)分割中不可靠的像素预测,并据此计算前列腺体积(PV)。与DL算法相比,CP显著降低相对体积差异(RVD)并提高与PI-RADS 2.1椭球公式参考体积的一致性(ICC 0.97)。作者认为CP可提高DL-based PV评估的准确性和可靠性。

要点

  • CP以85%置信水平标记DL分割中不可靠像素,剔除后PV的RVD由-8.01±11.50%降至-2.81±8.85%。
  • CP后PV与椭球公式参考体积的平均差异为1.27 mL(95%一致性界限-13.64至16.17 mL),ICC为0.97。
  • CP后分割DSC由80.57±8.96%升至93.81±7.37%,中位ASD由0.75 mm降至0.10 mm。

核心结论

  • 通过CP进行不确定性量化可提高DL-based PV评估在PC风险患者中的准确性和可靠性。

研究设计与样本

  • 回顾性多中心研究,纳入377例经活检证实、有PC风险的男性(66.64±7.47岁)的3T轴位T2加权MRI。
  • 参考标准为PI-RADS 2.1椭球公式计算的PV(PV_ref),DL分割采用2D nnU-Net集成模型,CP采用Mondrian归纳共形预测。
  • CP置信水平设为85%(alpha=0.15),另在alpha 0.01、0.05、0.10、0.20下进行实验。
  • 使用ICC和Bland-Altman评估一致性,RVD评估PV计算准确性,Wilcoxon符号秩检验评估统计差异,p<0.05为显著。

关键影像表现/征象

  • CP后分割DSC由DL的80.57±8.96%显著升至93.81±7.37%,中位ASD由0.75 mm(0.54–1.56 mm)显著降至0.10 mm(0.04–0.21 mm)。
  • CP后RVD由DL的-8.01±11.50%显著降至-2.81±8.85%。
  • DL模型整体倾向于较CP更大程度高估PV。
  • alpha低于0.15(0.01、0.05、0.10)导致分割不足、低估PV并高估PSAd;alpha为0.20导致过度分割。

诊断标准与关键数值

  • CP以85%置信水平(alpha=0.15)标记不可靠像素预测,剔除后计算PV_CP。
  • PV_CP与PV_ref平均差异1.27 mL(95%一致性界限-13.64至16.17 mL),PV_DL为6.07 mL(-14.29至26.42 mL)。
  • ICC(均值(95%CI))PV_CP为0.97(0.97至0.98),PV_DL为0.94(0.94至0.96)。
  • CP后ECE为0.13±0.06%、BS为0.05±0.10%,均显著低于DL。
  • Spearman相关系数PV_CP为0.98。

临床应用与阅片要点

  • 作者认为CP可在用户设定的置信水平下标记DL前列腺分割中不确定的像素预测,提高PV评估的可靠性和安全性。
  • 作者指出alpha=0.15在排除不可靠预测与专家性能之间取得平衡,有助于临床工作流程中的可靠PV估计。
  • 作者指出较低alpha值会低估PV并高估PSAd,可能影响PC风险分层的临床决策。
  • 作者指出过度分割可能在影像组学分析中更可取,因为感兴趣区周围区域常较关键。

局限性

  • 原文未报告局限性。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2024 Nov 29;15:286. doi: 10.1186/s13244-024-01863-w

引言

前列腺癌(PC)是全球男性中第二常见的癌症[1]。PC诊断依赖于对前列腺特异性抗原(PSA)水平的初步评估[2]。将PSA除以前列腺体积(PV)可得到PSA密度(PSAd),这是用于活检转诊的重要PC生物标志物[3]。在这方面,磁共振成像(MRI)近年来因其分辨率和提取在体功能信息的能力,已成为测定PV不可或缺的手段[4–6]。

根据前列腺影像报告和数据系统(PI-RADS)指南推荐,PV应使用椭球公式(EF)计算[7, 8]。该公式依赖于放射科医师手动测量前列腺的深度、高度和宽度。尽管相对准确,但其使用耗时且易受阅片者间变异性的影响,而且其关于椭球形状的基本假设在尖部等复杂区域解剖结构中面临挑战[8–10]。使用外部软件进行手动勾画[8, 11, 12]是最准确的替代方法,但耗时且存在变异性,即使在专家之间也是如此[4, 10, 11]。

近年来,深度学习(DL)算法在自动分割前列腺和评估PV方面显示出前景[4, 8]。通过nnU-Net框架获得的U-Net模型变体是热门选择[4, 13, 14]。然而,用于PV计算的DL替代方法的增加并未转化为临床采用[15, 16]。障碍包括对其可靠性的担忧,以及其倾向于产生过度自信的预测,导致其在临床环境中的表现低于其计算机模拟结果[15, 17]。

为提高DL用于PV评估的可靠性,估计前列腺分割每个像素预测相关的不确定性至关重要[16, 18]。保形预测(CP)是不确定性量化(UQ)的标准方法,以无分布且模型无关的方式提供统计上有效的置信度度量[19, 20]。使用CP,医师可以设定所需的置信水平(例如85%),使得CP将返回围绕原始预测的区域,该区域以该概率包含真实标签。低于该置信水平的预测被标记以供人工干预,确保只有可靠的预测被用于PV计算。

在CP方法中,Mondrian归纳保形预测(ICP)在解决像素级不确定性方面特别有效[21, 22]。Mondrian ICP可以生成稳健的不确定性估计,而不会产生与Venn预测器或交叉保形预测等替代方法相关的显著计算开销[21, 22]。CP家族之外的其他UQ方法,如蒙特卡洛dropout或集成方法,也呈现出各自的挑战,包括对输出分布的特定假设的依赖和高计算需求[22]。

虽然其他研究探索了深度学习(DL)用于前列腺分割,但据我们所知,尚无研究探讨不确定性量化(UQ)在基于DL的前列腺分割进行前列腺体积(PV)评估中的影响。此外,尽管近年来共形预测(CP)日益流行[20, 23],迄今为止,尚无基于DL的前列腺分割采用Mondrian ICP进行不确定性量化。在此背景下,我们旨在研究Mondrian ICP对基于DL的PV评估中不确定性量化的影响。我们假设Mondrian ICP能够通过使用DL分割模型中具有预定义确定性水平的可靠像素预测,显著提高基于DL的PV评估的准确性。

材料与方法

这项回顾性、多中心研究的数据获得了所有参与中心的机构或区域审查委员会的批准。鉴于数据的回顾性、科学性和去标识化使用,知情同意被豁免[24]。

患者队列

前列腺影像-癌症人工智能(PI-CAI)是一个多中心、多扫描仪的前列腺MRI检查集合,旨在验证DL算法。患者检查基于因PSA水平升高和直肠指检(DRE)异常发现而怀疑前列腺癌(PC)进行收集。纳入PI-CAI的患者无既往治疗史或活检确诊的前列腺癌发现[24]。

公开可用的PI-CAI数据集包含1,500例T2加权(T2w)和弥散加权(DW)MRI检查,收集于2012年1月至2021年12月期间,来自四个中心和两家MRI供应商。临床变量包括PSA水平(ng/mL)、前列腺体积(mL)、PSA密度(PSAd,ng/mL2)、Gleason评分和患者年龄(岁),在临床常规中报告时予以采集[22]。报告的前列腺体积(PV)按照PI-RADS 2.1指南建议的EF公式计算[7, 8]。

在可用数据中,1001例检查在研究时具有前列腺分割。其中,204例由两名放射科住院医师和两名委员会认证的放射科医师标注,属于ProstateX公开数据集的一部分[25]。其余797例检查的分割由一名具有7年以上经验的专家放射科医师监督下的DL算法生成[2, 24]。所有人工监督标注均使用开源ITK-SNAP v3.80软件(http://www.itksnap.org/)完成。

如图1所示,377例患者符合研究纳入标准:(1)活检确诊诊断,(2)有可用的前列腺分割,(3)临床常规中报告了前列腺长度(PL),(4)与先前用于开发本研究中使用的前列腺分割DL模型和共形预测器的204例ProstateX患者[6, 25]无重叠。

图1 患者纳入标准及用于算法开发和前列腺体积评估的最终MRI检查 查看原图 ↗

MRI与预处理

我们使用具有可用前列腺分割的轴位T2加权(T2w)图像。图像采集使用各种商用1.5特斯拉(T)和3.0 T扫描仪(Siemens Healthineers,埃尔朗根,德国;Philips Medical Systems,埃因霍温,荷兰),具有异质的平面内分辨率(中位数:0.5 mm,范围:0.2–0.8 mm)、层厚(中位数:3.5 mm,范围:2.2–5.0 mm)并使用表面线圈[24]。

为减轻多中心和多扫描仪采集带来的视觉差异,我们对像素强度进行了归一化,并使用三阶样条插值重采样至0.5 mm × 0.5 mm × 3.0 mm的 common space of reference(共同参考空间)[13]。对于前列腺分割掩膜,样条插值被替换为线性插值[13]。

用于自动前列腺分割的深度学习

自动前列腺分割使用了先前开发的2D nnU-Net,利用自配置的nnU-Net框架[13]。该选择基于前列腺分割任务中已报道的结果。关于nnU-Net框架和模型训练的详细描述可在其他文献中找到[6, 13]。

简言之,2D nnU-Net模型使用163例患者(中位年龄:66岁,范围:48-83岁)的轴位T2w MRI检查和前列腺分割进行开发。该队列通过将204例ProstateX患者分为训练集和校准集获得(图1)[25]。该队列仅用于模型开发,并在本研究的评估中被排除(图1)。自动前列腺分割模型是由五个不同的2D nnU-Net模型组成的集成模型。这些模型均通过五折交叉验证过程生成,最终产生五个分别在不同训练数据子集上训练的独立模型。在测试期间,对这五个模型的分割掩膜取平均以生成最终分割掩膜[5]。每个独立模型训练300个epoch,并在单块NVIDIA A100 GPU(40GB RAM,NVIDIA Corporation,Santa Clara,California,USA)上使用TensorFlow(版本2.9.17)和Python(版本3.9.12;Python Software Foundation,Wilmington,DE,USA)实现。

用于前列腺分割不确定性量化的保形预测

我们将深度学习(DL)分割模型解释为一组二分类器,提供每个像素属于类别标签{0}:背景或{1}:前列腺的逐像素概率。保形预测(CP)框架天然设计为与DL模型的输出概率配合工作。通过将DL模型的逐像素概率作为输入,我们的CP框架能够在像素级别量化不确定性。这反过来影响分割的全局指标,如前列腺体积(PV)。CP框架在DL前列腺分割模型上的应用如图2所示。

我们利用Mondrian归纳共形分类器[19]构建了共形预测器,该分类器可保证每个类别(即背景和前列腺)达到期望的错误率。预测器以深度学习(DL)模型针对给定T2w MRI检查输出的像素预测概率作为输入,并输出每个像素的预测区域(类别标签集合)。这与原始DL分割模型输出的单值像素预测形成对比。只有当DL模型对某标签的置信度高于用户指定的置信水平时,该标签才会被纳入像素级预测区域(图2)。例如,在基于DL的分割模型中,每个像素只能被分类为{0}:背景或{1}:前列腺。然而,Mondrian共形预测器(CP)可输出{0}:背景、{1}:前列腺、{0,1}:不确定或{0,0}不确定(空集)。预测被标记为不确定的依据是模型无法在给定置信水平下分配唯一类别。举例而言,对于尺寸为320×320×23的T2w MRI检查,Mondrian预测器将接收320×320×23个像素预测概率、一个用户指定的置信水平(例如90%),并基于该置信水平输出320×320×23个像素级预测区域(图2)。

为训练Mondrian共形分类器,我们使用41例患者轴位T2w MRI检查及前列腺分割组成的校准集(图1),这些患者属于本工作排除在外的204例ProstateX患者[25]的一部分。CP模型使用TensorFlow(版本2.9.17)在Python(版本3.9.12;Python Software Foundation,Wilmington,DE,USA)中实现,运行于单块NVIDIA A100 GPU(40GB内存;NVIDIA Corporation,Santa Clara,California,USA)上。

图2 深度学习分割系统输出每个像素属于类别标签背景{0}或前列腺{1}的逐像素概率。该系统的输出用作共形预测器的输入,后者基于预先指定的85%置信水平识别不可靠的像素预测。最后,我们测量由深度学习系统获得的前列腺体积、由共形预测器通过剔除不可靠像素预测获得的体积,以及由经验丰富的放射科医师通过PI-RADS 2.1椭球公式计算获得的体积之间的一致性。 查看原图 ↗

自动前列腺体积评估

为评估CP对前列腺体积(PV)计算的影响,我们比较了来自基于DL的前列腺分割在无CP()和有CP()情况下获得的PV计算值。鉴于分割质量对PV计算的影响,我们还比较了DL模型在有和无CP情况下的分割质量。基于CP的预期用途,我们在计算中剔除被标记为不确定的像素预测。该选择旨在模拟假设的临床部署场景,即不可靠的预测将被忽略,直至医师或专科医生进一步干预(图2)。对于主要评估,我们基于既往放射科医师针对T2w前列腺分割报道的观察者间一致性[10, 14],选择85%的置信水平,对应alpha为0.15。此外,我们在多个alpha值(0.01、0.05、0.10和0.20)下进行实验,以评估高于和低于人类专家共识的不同置信水平的影响。

我们使用相对体积差(RVD)定量评估CP对PV计算的影响,RVD为给定分割T2w MRI检查计算所得PV与EF公式获得的参考体积之间的差值()。RVD值范围为–1至+1,分别表示对的低估或高估[14]。我们采用Dice相似系数(DSC)和平均表面距离(ASD)评估分割性能[11, 26]。DSC值范围为0至+1,+1表示完全重叠;而ASD计算为参考分割与预测分割中像素之间的平均距离,值越接近0表示表面之间相似性越高[11, 25]。

统计分析

连续变量统计量以均值±标准差(正态分布)和中位数(四分位距Q1–Q3)(非正态分布)报告。分类变量以计数和百分比(N(%))报告。

我们评估了无CP和有CP的DL算法所得DSC、ASD和RVD之间的差异。还评估了预期校准误差(ECE)和Brier评分(BS)作为方法校准的度量。根据正态性采用Wilcoxon符号秩检验和配对Student t检验评估统计学差异。

、和之间的一致性使用Bland–Altman图和组内相关系数(ICC)评估,ICC < 0.50、0.50至0.75、0.75至0.90和> 0.90分别归类为差、中等、良好或优秀[8]。我们首先比较和椭球确定的体积,然后比较与。Spearman相关分析评估与参考标准的一致性。自动衍生与测量之间的读者间一致性通过Bland–Altman图评估,并使用箱线图呈现不同方法下体积的分布。

所有分析均在Python 3(https://www.python.org/downloads/)中使用开源statsmodels 0.14.0模块(https://www.statsmodels.org/stable/index.html)进行。p值< 0.05被认为具有统计学意义。

结果

纳入队列由377例有PC风险的患者组成(66.64±7.47岁)。表1描述了队列的人口学和临床特征。纳入患者的中位PSA为8.80 ng/mL(6.00–12.80),平均为59.43 mL(59.43±32.47 mL)。大多数患者的大于50 mL(54.91%)。

表1 研究参与者的人口学和临床特征 查看原表 ↗

前列腺分割准确性

如表2所示,2D nnU-Net DL模型的平均DSC为80.57±8.96%,中位ASD为0.75 mm(0.54–1.56 mm),平均RVD为8.01±11.50%。当应用alpha为0.15的CP时,平均DSC显著增加至93.81±7.37%,中位ASD显著降低至0.10 mm(0.04–0.21 mm),平均RVD显著降低至2.81±8.85%。此外,指标按体积类别分层[3](小:35 mL,中:35 mL和50 mL,中-大:50 mL),详见附录E1表S1。结果表明,alpha为0.15的CP在不同体积类别中的性能保持一致。

附录E1中的图S1和图S2展示了低于人类专家共识(0.01、0.05、0.10)和高于共识(0.20)的各种alpha值的效果结果。这些结果表明,与alpha值为0.15相比,较低和较高的alpha值分别导致欠分割和过分割,并伴有DSC降低、ASD增加和RVD增加。在所有情况下,与未使用CP的2D nnU-Net深度学习相比,这些指标均显示出显著改善。

如表3所示,当应用alpha为0.15的CP时,平均ECE和BS均显著降低(ECE:0.13 0.06%;BS:0.05 0.10%)。此外,校准指标按体积类别进行了分层[3](小:35 mL,中:35 mL和50 mL,中-大:50 mL),详见附录E1表S2。结果表明,应用alpha为0.15的CP时,校准的改善在各体积类别中保持一致。图3展示了CP对深度学习模型所获分割效果的定性示例,其中在忽略CP标记的不确定像素后,分割准确性得到提高。

表2 通过保形预测在基于深度学习的前列腺体积评估和前列腺分割中进行不确定性量化的效果。DSC值越高越好,而RVD和ASD值越接近0越好。保形预测以85%的置信水平应用 查看原表 ↗
表3 通过保形预测在基于深度学习的前列腺分割校准中进行不确定性量化的效果。ECE和BS值越低越好。保形预测以85%的置信水平应用 查看原表 ↗
图3 每行展示来自两次不同T2w患者MRI检查中一个切片的最终分割结果。左列为深度学习算法得出的前列腺轮廓(黄色),中间为对深度学习算法输出应用保形预测后的结果。右列为剔除保形预测器标记为不可靠的像素预测后得出的前列腺轮廓。保形预测以85%的置信水平应用 查看原图 ↗

前列腺体积表征

以作为参考标准、alpha为0.15的一致性分析以Bland–Altman图形式呈现于图4。的均值差异及相应95%一致性界限显著低于且窄于(图4a)(图4b)(均值差异(95%一致性界限):1.27 mL(− 13.64;16.17 mL):6.07 mL(−14.29;26.42 mL))。如Bland–Altman图所示,深度学习模型总体上倾向于比应用CP时更大程度地高估PV。ICC(均值(95% CI))显著大于(0.97(0.97;0.98))(0.94(0.94;0.96))。两种测量均与表现出极好的一致性。

与之间的一致性如图5a所示,我们观察到深度学习在未使用CP时倾向于系统性地计算出更大的(均值差异(95%一致性界限) vs. :− 4.80 mL(− 17.80 mL;8.20 mL))。图5b和表2中的箱线图展示了所有比较体积的均值和标准差。图6展示了Spearman相关分析的结果,两种测量均与呈现显著正相关。中观察到更大的正相关(0.98)。

图4 a 将应用保形预测器获得的前列腺体积与应用椭球公式得到的体积进行比较的Bland–Altman图。b 将深度学习算法计算得出的前列腺体积与应用椭球公式得到的体积进行比较的Bland–Altman图。实线表示平均差值,虚线表示一致性界限,按平均差值±1.96 SD计算。保形预测应用的置信水平为85% 查看原图 ↗
图5 a 将深度学习算法与保形预测器测量的前列腺体积进行比较的Bland–Altman图。实线表示平均差值,虚线表示一致性界限,按平均差值±1.96 SD计算。b 箱线图,分别描绘深度学习算法、保形预测器和椭球公式计算所得前列腺体积的分布。保形预测应用的置信水平为85% 查看原图 ↗
图6 a PI-RADS 2.1椭球公式与保形预测器测量的前列腺体积的Spearman相关性分析。b PI-RADS 2.1椭球公式与深度学习算法所得前列腺体积之间的Spearman相关性分析。高亮区域对应于通过自助法(bootstrapping)计算的95%置信区间。保形预测应用的置信水平为85% 查看原图 ↗

讨论

这项回顾性多中心研究探讨了在基于深度学习(DL)的前列腺分割算法中,使用保形预测(CP)估计不确定性对前列腺体积(PV)计算的影响。我们的结果显示:首先,以Dice相似系数(DSC)和平均表面距离(ASD)衡量,CP显著改善了二维nnU-Net DL模型的前列腺分割质量。其次,应用CP后,DL模型获得的预测概率校准显著改善。第三,与参考标准相比,CP显著提高了PV评估的准确性,表现为相对体积差异(RVD)减小,以及通过Bland–Altman图和组内相关系数(ICC)显示的一致性更强。我们的结果支持以下假设:CP能够依托DL分割模型在预定义确定度下可靠的像素预测,显著提高基于DL的PV评估的准确性。

除了使用α=0.15(与放射科医师之间85%的观察者间一致性相匹配)进行主要分析外,我们还评估了不同α值(0.01、0.05、0.10和0.20)下的性能。较低的α值(0.01、0.05和0.10)导致分割不足、低估PV并高估前列腺特异性抗原密度(PSAd),这可能对有关前列腺癌(PC)风险分层的临床决策产生不利影响[2, 3]。相反,较高的α值(0.20)导致过度分割,可能低估PSAd并掩盖癌症风险。然而,在影像组学分析中过度分割可能更可取,因为感兴趣区周围区域通常至关重要[27, 28]。在我们的研究中,α=0.15实现了平衡,在排除不可靠预测的同时达到专家级性能,有助于在临床工作流程中进行可靠的PV估计[5, 14]。

已提出多种方法来实现前列腺分割和前列腺体积(PV)计算的自动化[14, 25]。Meglič等和Cuocolo等在公开和私有数据集的队列上训练了U-Net模型变体,达到了84%至90%的DSC和−8.84%至13.17%的RVD。虽然不能直接比较,但我们的结果表明,我们的深度学习(DL)分割模型性能落在这些范围内[14, 25]。与既往研究[5, 14, 25]不同,我们的方法通过Mondrian ICP纳入了不确定性量化(UQ)机制,结果表明我们的方法在前列腺分割和PV评估方面可能优于其他方法[5, 14, 25]。

在替代的共形预测(CP)方法方面,Venn预测器和交叉共形预测与Mondrian ICP具有相同的理论基础,但在前列腺分割和PV评估方面面临局限性[29]。Venn预测器专为多类场景设计,给前列腺分割等二分类任务增加了不必要的复杂性[30]。虽然交叉共形预测使用多个校准集增强了不确定性估计,但它需要反复重新训练模型,这对于需要快速处理的高维MRI数据而言可能不切实际[19]。

相比之下,不属于CP家族的替代方法,如概率U-Net和蒙特卡洛dropout,依赖于特定的输出分布假设[21, 22]。这些方法还需要大量计算资源,且校准其不确定性估计可能具有挑战性[30]。这些因素可能延长推理时间并导致不可靠的估计,影响临床适用性[21, 22, 29]。然而,Mondrian ICP无需大量计算开销即可提供可靠的不确定性估计,使其非常适合本应用。其模型无关的特性允许轻松集成到各种分割架构中,增强了可用性[19, 29, 30]。

既往研究在评估DL模型于类似临床部署的异质性数据场景时,已发现PV计算存在系统性差异[4, 10, 14]。这些差异可能阻碍DL模型在临床实践中的应用[4]。从这个角度来看,Mondrian ICP仅接受满足特定置信水平的预测,将不可靠的预测标记出来以供进一步检查,同时基于可靠预测提供PV评估。这种方法可以增强医师与DL系统之间的协同作用,使DL系统能够报告可靠的PV测量值。这反映在我们的PV一致性结果中,与没有UQ机制的DL模型相比,CP显著提高了测量值的一致性。此外,多中心和多厂商的评估数据表明,Mondrian ICP可能增强DL算法对异质性数据来源的稳健性。

本研究存在若干局限性。第一,本研究为回顾性研究;需要前瞻性研究来证实因果关系。第二,我们采用了一个简单的保形预测器;更先进的版本可能会产生更好的结果。第三,我们将研究限于CP标记不可靠像素预测的能力。未来研究可以探索医师与CP输出之间的交互,以增强人-深度学习交互。此外,我们对集成预测的依赖虽然常见,但可能引入模糊性,从而可能影响CP的有效性。研究不同集成技术对PV计算的影响可提供有价值的见解。此外,在未来评估中纳入更广泛的指标可加深对CP在PV评估和前列腺分割准确性方面影响的理解。最后,CP在应用于新数据集时可能需要重新校准,因为数据分布的偏移可能影响其预测有效性。建立系统性的重新校准方案对于维持算法的准确性和可靠性至关重要。

补充信息

电子补充材料

引用

  1. Gade M, Nguyen KM, Gedde S, et al. Impact of uncertainty quantification through conformal prediction on volume assessment from deep learning-based MRI prostate segmentation. Insights Imaging. 2024. PMID: 39613981. doi:10.1186/s13244-024-01863-w
  2. 全文:PMC11607187(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11607187/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。