在基于深度学习的动态对比增强MRI上对肝细胞癌的自动细分
Xiao Luo1, Peiwen Li2, Hongyi Chen1
1Academy for Engineering and Technology, Fudan University, Shanghai, People's Republic of China.
Physics in medicine and biology
|February 8, 2024
概括
这项研究开发了一种自动深度学习模型,用于使用动态对比增强 (DCE) MRI检测和细分肝细胞癌 (HCC),实现病变识别和划分的高精度.
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:
- 准确的肝细胞癌 (HCC) 检测对于患者管理至关重要.
- 目前的自动检测方法主要依赖于计算机断层扫描 (CT),对动态对比增强 (DCE) 磁共振成像 (MRI) 的研究有限.
- 需要先进的算法来改进使用DCE-MRI的HCC检测.
研究的目的:
- 开发和评估一种自动深度学习模型,用于使用DCE-MRI检测和细分HCC病变.
- 在独立和外部验证数据集上评估模型的性能.
主要方法:
- 经过修改的U-net架构被用于处理多相DCE-MRI数据.
- 该模型使用382名患者的数据集进行了训练和验证,其中466名患者有病理确认的HCC病变.
- 使用了五倍交叉验证方法,然后进行后处理与连接组件分析来完善预测.
主要成果:
- 该模型在独立测试组中获得了0.81±0.11的平均子相似系数 (DSC).
- 灵敏度和精度高,分别为94.41 ± 15.50%和94.19 ± 17.32%,错误阳性率低,为0.14 ± 0.48个患者.
- 外部验证证明了强大的性能,92%的病变检测和每种瘤的DSC为0.75±0.10.
结论:
- 开发的深度学习模型显示了使用DCE-MRI自动检测和细分HCC的显著前景.
- 该模型准确识别和划分病变的能力表明其潜在的临床实用性.
- 进一步的研究可以探索将其整合到临床工作流程中,以改善HCC诊断.
