相关实验视频
Updated: Jul 7, 2025
09:27
The Dimethylnitrosamine Induced Liver Fibrosis Model in the Rat
Published on: June 17, 2016
12.1K
自动肝脏细分和评估肝纤维化使用深度学习与MR T1加权图像在老鼠
Wenjing Zhang1, Nan Zhao2, Yuanxiang Gao1
1Department of Radiology, The Affiliated Hospital of Qingdao University, Qingdao, China.
Magnetic resonance imaging
|December 26, 2023
概括
这项研究验证了nnU-Net用于准确的肝脏细分和卷积神经网络 (CNN) 用于在老鼠模型中使用T1加权MRI图像对肝纤维化阶段进行分类.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 肝病学 肝病学是一种肝病学.
背景情况:
- 肝纤维化是一个重要的健康问题.
- 准确的肝纤维化阶段确定对于患者的管理至关重要.
- 纤维化评估需要使用非侵入性成像技术.
研究的目的:
- 评估nnU-Net对于肝脏细分的性能.
- 评估卷积神经网络 (CNN) 在分类肝纤维化阶段的有效性.
- 通过使用T1加权MRI图像验证这些AI模型.
主要方法:
- 这是一项前性研究,涉及99只患有诱导性肝纤维化的雄性Wistar大鼠.
- 在没有对比剂的情况下获得了T1加权的MRI扫描.
- nnU-Net用于肝脏细分,CNN用于纤维化分类 (没有肝脏纤维化,早期肝脏纤维化,进展性肝脏纤维化).
主要成果:
- nnU-Net在肝脏细分方面实现了0.8477的Dice相似系数.
- 对于NLF,CNN的分类准确度为0.73,ELF为0.89,PLF为0.84.对于NLF,CNN的分类准确度为0.73,ELF为0.89,PLF为0.84.
- 曲线下的面积 (AUC) 的分类值为0.76 (NLF),0.88 (ELF) 和0.79 (PLF).
结论:
- nnU-Net从T1加权图像中显示了肝脏细分的高准确性.
- CNNs有效地使用T1加权MRI评估肝纤维化阶段.
- 这些人工智能模型显示出对非侵入性肝纤维化评估的希望.
