探讨使用U-Net深度学习网络对MRI表观扩散系数（ADC）图像中前列腺癌（PCa）自动分割及定位的可行性。
方法回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者，根据病理结果将所有患者分为PCa组（n=184）与非PCa组（n=61），并随机分为训练集（PCa 129例，非PCa 19例）、验证集（PCa 18例，非PCa 3例）和测试集（PCa 37例，非PCa 39例）。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶，并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后，采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准，用Dice相似系数（DSC）评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能，以6分区法评价模型对癌灶自动定位的准确性。
结果测试集中，医师标注癌灶51个，最大径线为（1.9±0.7）cm，6分法癌灶分区456个（PCa区122个、非PCa区334个）。以病灶为单位，AI模型对测试集PCa的分割DSC为（70.2±21.7）%，检出癌灶的灵敏度94.1%（48/51）。以患者为单位，AI模型检出PCa患者灵敏度为97.3%（36/37），特异度为66.7%（26/39），准确度为81.6%（62/76）。AI模型对PCa癌灶定位分区的准确度为90.8%（414/456），对癌区检出的灵敏度为95.1%（116/122），特异度为89.2%（298/334）。
结论U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度，对PCa 6分区定位具有较高的准确度，预测结果可自动填写入结构化报告，进一步提高了临床工作效率。