通过深度学习实现肝脏MR弹性图的自动化质量控制:初步结果

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 肝磁共振弹性图像 (MRE) 图像质量对于可靠的硬度测量至关重要.
• 诸如驾驶员定位和患者特征等因素可能会影响MRE质量.

研究的目的:

• 评估深度学习 (DL) 架构,用于对肝脏MRE图像质量进行自动分类.
• 评估DL模型在区分诊断和非诊断MRE切片方面的性能.

主要方法:

• 对90名接受肝脏MRE的患者进行了回顾性研究.
• 两名观察员对914个MRE切片的质量进行了评分.
• 评估了DL架构 (ResNet,SqueezeNet,MobileNetV2) 用于二进制质量分类.
• 开发了一种组合模型,将最好的架构的预测结合起来.

主要成果:

• 对于MRE质量分类,DL模型的平均准确度为0.851.
• 在SqueezeNet组合模型达到0.921.9的准确性.
• 观察者之间有很好的一致性 (Kappa 0.896).

结论:

• 基于DL的肝脏2D MRE质量的自动分类是可行的.
• DL模型,特别是SqueezeNet组合,在质量评估中显示出很高的准确性.
• 这种方法可以提高MRE对肝硬度评估的可靠性.