王 伟, 黄兴鸿, 丁 偕, 刘全祥, 王培军

(1.同济大学附属同济医院医学影像科，上海 200065；2.万达信息股份有限公司，上海 201112)

前列腺癌(prostate cancer, PCa)是仅次于肺癌排名第二的常见男性恶性肿瘤[1]。随着人们年龄的增长，我国前列腺癌呈明显高发趋势[2-3]，早期前列腺癌的诊断和治疗可以使患者获得较大收益并可有效降低前列腺癌的死亡率[4]。目前早期PCa的筛查主要是依赖血清前列腺特异性抗原(prostate specific antigen, PSA)的监测、直肠指诊以及临床症状。但血清PSA水平、直肠指检及临床症状对PCa诊断的灵敏度和特异度较低[5-7]。磁共振成像(magnetic resonance imaging, MRI)在PCa的检查中有其软组织分辨率较高的优势，且为非侵入式检查，在临床诊断中有一定价值。其中，扩散加权成像(diffusion weighted imaging, DWI)与表观扩散系数图(apparent diffusion coefficient, ADC)是MRI中诊断PCa的主要序列。扩散敏感系数(b值)是DWI序列的一个重要参数。有研究表明，在前列腺癌的检测中，高b值的DWI比低b值诊断效能更高[8]。

当前利用卷积神经网络(convolutional neural networks, CNN)对医学影像进行检测成为一种趋势。医学影像常见的检测网络包括全卷积神经网络(fully convolutional networks, FCN)[9]，U-Net[10]以及V-Net[11]等。生成对抗网络[12](generative adver-sarial networks, GAN)因其对样本数据的有效学习近来被使用在图像分割领域，该网络结构由两个网络部分组成，生成网络(generative networks)和判别网络(adversarial networks)。利用GAN网络对图像进行分割，进而就可以实现目标的检测工作。

本研究提出了一种基于GAN的多b值DWI影像前列腺癌自动检测模型，该网络模型利用前列腺癌MRI影像数据进行模型训练，其中影像数据包括ADC图像以及多b值DWI。所使用的GAN检测网络基于SegAN[13]并进行改进:(1)将生成网络用性能更佳的DenseVoxNet[14]取代；……