摘要

本文介绍了一种利用k空间信息对前列腺MRI数据进行肿瘤可能性估计的创新预处理和预测管道。通过使用公开的MRI原始数据集，包含312个受试者和总共9508个切片，研究显示利用k空间信息进行前列腺癌可能性估计相较于仅使用图像域的幅度信息具有优势，AUROC达到86.1%±1.8%。此外，通过使用高欠采样率和简单的PCA（主成分分析）进行线圈压缩，避免了时间密集的GRAPPA重建算法，从而减少了重建所需的时间。即使在欠采样因子为16的情况下，该方法仍能实现有意义的结果，AUROC为71.4%±2.9%，使用PCA线圈组合并考虑k空间信息。本文展示了保留相位和k空间信息的可行性，同时减少了后处理时间和潜在的扫描时间，提高了患者舒适度，并实现了接近实时预测。

原理

本文提出的方法通过利用MRI的k空间信息，改进了前列腺癌的预测。k空间是MRI的原始数据域，包含了丰富的复杂值信息。传统的MRI重建方法通常丢弃这些原始数据，而本文的方法直接利用这些数据进行分类。通过使用PCA进行线圈压缩，减少了数据维度，同时保留了关键信息。这种方法不仅减少了重建时间，还提高了分类性能，特别是在高欠采样率下，通过保留k空间信息，增强了模型的鲁棒性。

流程

本文的工作流程包括以下几个关键步骤：首先，对MRI原始数据进行预处理，包括使用PCA进行线圈压缩和数据平均。然后，将处理后的数据输入到卷积神经网络（ConvNeXt）中进行分类。在训练过程中，使用了模拟欠采样增强技术，通过均匀地删除k空间中的每n行来模拟欠采样。最后，通过评估AUROC和AUPRC等指标来验证模型的性能。例如，在欠采样因子为16的情况下，模型仍能实现71.4%±2.9%的AUROC，证明了即使在高度欠采样的情况下，该方法仍能提供有意义的结果。

应用

本文提出的方法在前列腺癌的早期诊断和治疗中具有广泛的应用前景。通过减少扫描和重建时间，该方法可以提高患者的舒适度，并实现接近实时的诊断。此外，该方法还可以扩展到其他类型的MRI数据和疾病检测中，为医学影像领域提供了一种新的数据处理和分析工具。随着技术的进一步发展和优化，预计该方法将在临床实践中得到广泛应用，特别是在需要快速诊断和治疗的紧急情况下。