深度学习与放射科医生的干预相结合,在双相磁共振图像中实现肝细胞癌的准确细分

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:

• 在MRI中手动细分肝细胞癌 (HCC) 是主观的,耗时的.
• 准确和自动化的HCC病变轮对临床实践至关重要.

研究的目的:

• 开发一种半自动化的HCC细分方法,使用深 convolutional神经网络 (DCNNs) 与放射科医生干预相结合.
• 评估这种深度学习方法的准确性和效率,以协助放射科医生进行HCC细分.

主要方法:

• 一个深度融合网络 (DFN) 在双相Gd-EOB-DTPA增强的MRI上被开发和训练.
• 该DFN应用于图像块与放射科医生提供的瘤轮 (DFN-R).
• 性能与完全自动化的DCNN (DCNN-F,DFN-F) 和不同经验的放射科医生的手动细分进行了比较.

主要成果:

• 放射科医生辅助的DFN-R实现了0.83±0.13的平均子相似系数 (DSC).
• DFN-R的性能优于经验适度的放射科医生的手动细分 (平均DSC为0.79±0.11).
• 完全自动化方法 (DCNN-F,DFN-F) 显示较低的平均DSC值 (分别为0.69±0.20和0.74±0.21).

结论:

• 深度学习方法,特别是放射学家辅助的DFN-R,显示出在双相MRI中改善HCC病变细分的巨大潜力.
• 半自动化方法提高了细分的准确性和效率,有助于临床决策.
• 进一步验证是有必要的,尽管DFN-R方法证明了比手动细分更好的性能.