基于人工智能的3D肝脏细分和体积分析在活体捐赠者数据中

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝胆道手术 肝胆道手术

背景情况:

• 准确的肝体积测量对于活体供体肝移植结果至关重要.
• 深度学习为自动化和精确的体积分析提供了潜力.
• 评估肝脏再生是供体恢复和安全的关键.

研究的目的:

• 评估活体供体肝移植中3D肝脏细分的深度学习模型.
• 评估基于U-Net的模型在肝切除术前后肝脏成像中的准确性.
• 用人工智能驱动的体积测量来分析肝脏切除和再生率.

主要方法:

• 利用了55名活体肝脏捐赠者的腹部CT数据.
• 应用并比较各种基于U-Net的深度学习模型 (3D U-Net,RU-Net,DU-Net,RDU-Net).
• 采用五倍交叉验证,并使用子相似系数 (DSC),准确性,精度,回忆和特异性来评估性能.

主要成果:

• 深度学习模型实现了高细分精度,在手术前图像中最高DSC为95.73%.
• 手术后细分表现显示,第7天的DSC为93.14%.
• 人工智能分析显示,术后63.6天的平均肝脏切除率为40.52%,再生率为13.50%.

结论:

• 深度学习模型在肝脏体积测量方面显示出高可靠性和临床适用性.
• 人工智能驱动的分析准确地评估活体捐赠者的肝切除和再生能力.
• 这些发现增强了肝脏捐赠者的管理和恢复协议.