基于MRI的自动识别和细分,使用深度学习网络对外肝胆管癌进行深度学习

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 从MRI中准确识别和细分肝外胆道瘤 (ECC) 是一个挑战,由于小瘤大小和复杂的解剖学.
• 手动划分是耗时且有限的,需要自动化方法来识别和细分ECC.

研究的目的:

• 开发和评估一种深度学习方法,用于使用MRI自动识别和细分ECC.
• 为了比较单模式 (T1WI,T2WI,DWI) 和组合模式深度学习模型的ECC检测性能.

主要方法:

• 137名ECC患者 (C1) 和40名外部验证患者 (C2) 的数据集接受了T1加权成像 (T1WI),T2加权成像 (T2WI) 和扩散加权成像 (DWI).
• 训练了一个3D VB-Net深度学习模型,以创建T1WI,T2WI和DWI的单模式识别和细分模型.
• 模型性能使用培训,测试和外部验证集进行评估,手动划分作为基本事实.

主要成果:

• 基于扩散权重成像 (DWI) 的模型 (模型3) 在所有队列中显示出优异的识别性能 (成功率:0.980培训,0.786测试,0.725外部验证).
• 模型3在ECC细分方面实现了高的子相似系数 (DSC):0.922 (培训),0.495 (测试) 和0.466 (外部验证).

结论:

• 基于DWI的深度学习模型在自动识别和细分外肝胆管癌方面显著优于T1WI和T2WI模型.
• 这种基于DWI的方法有可能改善临床决策,并有助于确定ECC患者的预后.