基于深度学习的动脉减法图像改善了在细胞外剂增强的MRI上检测可行的HCC的LR-TR算法
Yuxin Wang1, Dawei Yang1, Lixue Xu1
1Department of Radiology, Beijing Friendship Hospital, Capital Medical University, Yongan Road 95, West District, Beijing, 100050, China.
Abdominal radiology (New York)
|April 20, 2024
概括
深度学习动脉减法图像改善肝癌生存能力评估. 这种人工智能工具提高了LR-TR算法的准确性,在MRI上检测可行的肝细胞癌 (HCC).
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 肝细胞癌 (HCC) 研究研究
背景情况:
- 肝细胞癌 (HCC) 是一个主要的全球健康问题.
- 在局部治疗后准确评估瘤活力对于患者管理至关重要.
- 细胞外剂增强型MRI是HCC评估的关键成像方式.
研究的目的:
- 评估深度学习生成的动脉减法图像在提高HCC的可行性评估中的作用.
- 为了确定这些人工智能衍生图像是否提高了LR-TR算法的性能.
主要方法:
- 对接受地方区域治疗的HCC患者的回顾性分析.
- 开发一种深度学习模型,自动从MRI中生成动脉减法图像.
- 对LR-TR算法性能进行比较,并没有添加动脉减法图像.
- 基于数字减去肝血管造影作为参考标准的可行性评估.
主要成果:
- 在使用动脉减法图像时,LR-TR算法用于检测可行的HCC的灵敏度和准确性显著增加 (灵敏度:87.9%与67.5%相比;准确度:86.4%与75.9%相比).
- 对LR-TR算法的曲线下面面积 (AUC) 在添加动脉减法图像 (0.862对0.768) 后显著改善.
- 通过包含动脉减法图像,对可行性评估的读者间协议也得到了增强.
结论:
- 基于深度学习的动脉减法图像显著提高了LR-TR算法的灵敏度和准确性,用于评估HCC在细胞外剂增强MRI上的活力.
- 这些人工智能生成的图像为提高HCC管理中的诊断性能提供了有价值的工具.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
