在使用UNet+的磁共振成像中对肝脏瘤进行细分的深度学习方法
Jing Wang1, Yanyang Peng2, Shi Jing3
1Department of General medicine, The First Medical Center Department of Chinese PLA General Hospital, Peking, 100039, China.
BMC cancer
|November 4, 2023
概括
使用UNet++的深度学习在MRI扫描上准确地细分肝脏瘤和正常肝脏组织. 这种自动化方法显著提高了放射性和深度学习分析的划分效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 从MRI中手动细分肝脏瘤和正常肝脏组织是耗时的,并且有局限性.
- 涉及肝脏瘤的放射学和深度学习研究正在增加,需要有效的细分方法.
研究的目的:
- 评估深度学习模型 (UNet++) 在MRI上对肝脏瘤和正常肝脏组织进行自动细分的有效性.
- 为了比较自动细分与手动划分的效率和准确性.
主要方法:
- 使用UNet++深度学习网络,使用动脉相和T2WIMRI序列自动细分肝脏细分和瘤.
- 该模型在105名肝细胞癌患者的数据集上进行了训练和验证,并进行了额外的外部测试.
- 用子相似系数 (DSC),平均假阳性率 (AFPR) 和划分时间来评估细分性能.
主要成果:
- 在UNet++模型中,肝脏细分 (0.91-0.92) 得到了高的DSC值,瘤细分 (0.612-0.687) 得到了有前途的结果.
- 自动划分比手动划分快得多,时间从160秒以上缩短到3秒以下.
- 自动化方法在内部和外部测试集中证明了可接受的AFPR.
结论:
- UNet++有效地自动化了MRI上正常肝脏组织和肝脏瘤的细分.
- 这种自动化方法为肝脏瘤细分提供了方法论基础,提高了随后放射性和深度学习分析的效率.


