人工智能和图像分析辅助的诊断纤维化阶段的代谢功能障碍相关的肥胖性肝病使用超声波:一个试点研究研究

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肝病学 肝病学是一种肝病学.

背景情况:

• 弹性图改进了肝纤维化诊断,但面临着设备访问和粘度因素等挑战.
• 肝脏表面的特征,如粗和的边缘,是已知的肝纤维化指标.
• 需要对肝脏轮进行定量评估,以补充现有的诊断方法.

研究的目的:

• 为了进行图像分析和对肝脏左叶斜腰部分轮的定量评估.
• 评估深度学习对肝脏细分和表面表征的有用性.
• 为了将定量图像特征与肝纤维化阶段相关联.

主要方法:

• 深度学习 (U-Net) 用于对214张超声波图像进行准确的肝脏细分.
• ResNet 50将肝脏表面分类为光滑或粗,准确度为84.6%.
• ImageJ软件分析了肝脏轮形状,将MinFeret和Minor等特征与纤维化阶段相关联.

主要成果:

• 肝脏细分实现了高准确性,Dise损失为0.044,IOU为0.935和F-score为0.966.
• 定量图像分析显示了MinFeret和Minor参数与肝纤维化阶段之间的相关性 (p=0.046,p=0.036).
• 小微参数在检测晚期纤维化 (≥F3和F4) 方面显示出有希望的性能.

结论:

• 深度学习准确地细分肝脏的左叶轮,帮助纤维化评估.
• 人工智能可以有效地识别肝脏表面粗度,这是纤维化的一个关键指标.
• 对肝脏轮参数的定量图像分析提供了一种有价值的,非侵入性的方法来分阶段肝纤维化.