基于三维卷积神经网络的慢性病严重程度分类,使用脏MRI
Keita Nagawa1, Yuki Hara1, Kaiji Inoue2
1Department of Radiology, Saitama Medical University, 38 Morohongou, Moroyama-machi, Iruma-gun, Saitama, Japan.
Scientific reports
|July 9, 2024
概括
使用脏MRI的深度学习模型有效地分类慢性脏病 (CKD) 严重程度. 这种人工智能方法有助于使用先进的成像技术诊断功能障碍的阶段.
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
- 腎臟病學 (nephrology) 是一種醫學.
背景情况:
- 慢性病 (CKD) 影响全球数百万人,需要准确和高效的诊断工具.
- 目前的CKD诊断依赖于估计的膜过率 (eGFR) 和成像,但先进的AI方法提供了潜在的改进.
- 磁共振成像 (MRI) 提供了详细的解剖学和功能信息,对于评估脏健康至关重要.
研究的目的:
- 开发和评估一个3D卷积神经网络 (CNN) 模型来对CKD严重程度进行分类.
- 通过使用各种MRI序列 (T1加权的相位,相反的相位,仅含水) 和侧面性 (单边与双边) 来评估模型的性能.
- 确定人工智能模型的最佳配置,以准确进行CKD分期.
主要方法:
- 一个3D CNN模型被训练并测试了322名患有不同严重程度的CKD (轻度,中度,严重) 的患者的MRI数据.
- 该模型使用了基于Dixon的T1加权的相位 (IP),相反相位 (OP) 和仅用水 (WO) 的成像序列.
- 使用单边和双边输入以及不同的成像序列来评估性能.
主要成果:
- 使用双侧脏和相位 (IP) MRI 图像实现了最佳模型性能,精度为 0.862 ± 0.036.
- 与单边模型相比,双边模型显示出更高的准确性.
- 深度学习方法在基于MRI发现的CKD严重程度分类方面显示出有希望的结果.
结论:
- 应用到脏MRI的3D CNN模型是分类CKD严重程度的可行工具.
- 使用双边信息和特定的MRI序列 (IP) 提高了分类的准确性.
- 这种人工智能驱动的方法为客观CKD分期提供了潜在的非侵入性方法.
