在肝细胞癌中微血管入侵的术前预测来自基于深度融合表示学习的多序磁共振成像
IEEE journal of biomedical and health informatics
|August 28, 2024
概括
这项研究引入了一种新的深度学习算法,用于预测微血管入侵 (MVI),这是早期瘤复发的关键指标,使用多序MRI扫描. DFFResNet模型提供了一个更快,更准确的手术前预测方法.
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
- 在瘤学瘤学.
背景情况:
- 微血管入侵 (MVI) 是早期瘤复发的关键生物标志物.
- 目前的手术前MVI预测方法耗时且劳动密集.
- 深度学习为自动化和高效的MVI预测提供了潜力.
研究的目的:
- 开发一种全新的端到端深度学习算法,用于预测手术前的微血管入侵 (MVI).
- 利用多序磁共振图像 (MRI) 来提高MVI预测的准确性.
- 为MVI检测创建一个计算高效和强大的方法.
主要方法:
- 开发了一个基于ResNet (DFFResNet) 的新型多分支深融合特征算法.
- 从不同的MRI序列中提取了多视图特征,保存了周围瘤信息.
- 采用了117名患者的数据集,其中包括7个MRI序列,并采用了10倍交叉验证.
主要成果:
- 与替代模型相比,DFFResNet模型表现出卓越的性能和概括性.
- 即使有不完整的感兴趣区域 (ROI),也取得了极具竞争力的预测结果.
- 通过重复的实验,该方法在图像和患者层面都被证明是稳健的.
结论:
- 拟议的DFFResNet算法为手术前MVI预测提供了一种有效和新的多序合融合策略.
- 这种深度学习方法显著改进了现有的识别MVI的方法.
- 该算法为提高早期瘤复发评估提供了一个有希望的工具.


