Prostate gland segmentation on prostate magnetic resonance images: An artificial intelligence study using a U-net-based convolutional neural network

Aim: The aim of this study is to automatically segment the prostate gland, transitional zone (TZ) and periferal zone (PZ) on prostate Magnetic Resonance Imaging (MRI) using a U-net based convolutional neural network (CNN). Materials and Methods: This retrospective study included a total of 100 patients who underwent screening with a 1.5T MRI device between January and December 2020. The acquired images were evaluated by a senior radiology resident and converted to nifti format using the MedSeg.ai platform. Prostate and TZ masks were manually traced, while the remaining area (PZ) was automatically segmented by extracting the TZ mask from the prostate mask. A U-net based CNN algorithm with 7 depth layers was developed. Data from 80 patients were used for training the algorithm, with 10 randomly selected for validation. The remaining data from 20 patients were used for testing. Evaluation metrics applied on the test set included accuracy, mean and median Dice Similarity Coefficient (DSC), mean Hausdorff Distance (HSD), Mean Surface Distance (MSD), mean Relative Absolute Volume (RAV). Results: Mean DSC of 0.91 ± 0.03, 0.87 ± 0.06, 0.70 ± 0.16 and median DSC of 0.92, 0.90, 0.75 were obtained for prostate gland, TZ and PZ segmentation respectively. Mean HSD was 8.58, 9.52, 18.78, MSD was 0.92, 0.84, 1.30 and mean RAV was 3.51, 9.87, 70.57 for the segmentation of aforementioned structures. Conclusion: The developed U-net algorithm performed better in segmenting the prostate and TZ than in previous studies. While the success rate of PZ segmentation was lower, this could be attributed to various factors, as indicated by state-of-the-art methods in deep learning. This study highlights AI's promising role in automating prostate segmentation.

Amaç: Bu çalışmanın amacı, prostat Manyetik Rezonans Görüntüleme (MRG) cihazında prostat bezini, geçiş bölgesini (TZ) ve periferik bölgeyi (PZ) U-net tabanlı bir evrişimsel sinir ağı (CNN) kullanarak otomatik olarak segmentlere ayırmaktır. Gereç ve Yöntem: Bu retrospektif çalışmaya, Ocak ve Aralık 2020 tarihleri arasında 1,5T MR cihazıyla taramadan geçen toplam 100 hasta dahil edilmiştir. Elde edilen görüntüler, kıdemli bir radyoloji asistanı tarafından değerlendirilmiş ve MedSeg.ai platformu kullanılarak nifti formatına dönüştürülmüştür. Prostat ve TZ maskeleri manuel olarak izlenirken, kalan alan (PZ), prostat maskesinden TZ maskesi çıkarılarak otomatik olarak segmentlere ayrılmıştır. 7 derinlik katmanına sahip U-net tabanlı bir CNN algoritması geliştirilmiştir. Algoritmanın eğitimi için 80 hastadan alınan veriler kullanılmış ve 10 hasta doğrulama için rastgele seçilmiştir. Kalan 20 hastadan alınan veriler ise test için kullanılmıştır. Test setine uygulanan değerlendirme metrikleri arasında doğruluk, ortalama ve ortanca Dice Benzerlik Katsayısı (DSC), ortalama Hausdorff Mesafesi (HSD), Ortalama Yüzey Mesafesi (MSD) ve ortalama Bağıl Mutlak Hacim (RAV) yer aldı. Bulgular: Prostat bezi, TZ ve PZ segmentasyonu için sırasıyla 0,91 ± 0,03, 0,87 ± 0,06, 0,70 ± 0,16 ortalama DSC ve 0,92, 0,90, 0,75 ortanca DSC elde edildi. Söz konusu yapıların segmentasyonu için ortalama HSD 8,58, 9,52, 18,78, MSD 0,92, 0,84, 1,30 ve ortalama RAV 3,51, 9,87 ve 70,57 olarak bulundu. Sonuç: Geliştirilen U-net algoritması, prostat ve TZ segmentasyonunda önceki çalışmalara göre daha iyi performans göstermiştir. PZ segmentasyonunun başarı oranı daha düşük olsa da, bu durum derin öğrenmedeki en son yöntemlerin de gösterdiği gibi çeşitli faktörlere bağlanabilir. Bu çalışma, yapay zekanın prostat segmentasyonunun otomasyonunda oynadığı hayati rolü vurgulamaktadır.