在MRI上完全自动化LI-RADS,使用深度学习引导的病变细分,特征表征和得分推断

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习对放射学应用具有重大潜力.
• 肝脏成像报告和数据系统 (LI-RADS) 对于肝脏病变的表征至关重要.
• 将AI集成到LI-RADS中可以提高诊断准确性和效率.

研究的目的:

• 开发和评估LI-RADS系统的全自动深度学习解决方案.
• 调查模型在肝损伤细分和分类中的性能.
• 引入特征特征化步骤,以提高诊断性能和模型可解释性.

主要方法:

• 基于UNet++的细分方法使用了来自111名患者的33078张图像.
• 在分类之前引入了一个新的特征表征网络,具有多任务学习和联合培训.
• 使用推理模块生成最终的LI-RADS得分.

主要成果:

• 肝病变细分实现了0.879的DICE中位数,具有高精度 (>0.9) 和回忆 (0.7-0.9).
• 患者级别的细分表现显示出很好的结果, (精度,回忆) 约为 (1, 0.9).
• 损伤分类的整体准确度为76%,大多数错误分类发生在邻近的LI-RADS类别中.

结论:

• 提出的具有特征特征的深度学习框架显著提高了LI-RADS的诊断性能.
• 特性表征步骤通过提供中间结果来提高模型的可解释性.
• 这种人工智能驱动的方法为自动化肝损伤评估提供了一个有前途的工具.