自动化肝磁共振弹性质量控制和肝硬度测量使用深度学习
Efe Ozkaya1,2, Heriberto A Nieves-Vazquez3, Murat Yuce1,2
1Icahn School of Medicine Mount Sinai, BioMedical Engineering and Imaging Institute, New York, USA.
Abdominal radiology (New York)
|March 15, 2025
概括
本研究引入了一种深度学习 (DL) 方法,用于自动化肝硬度测量 (LSM) 质量控制 (QC) 和磁共振弹性图 (MRE) 的测量. DL方法显著提高了肝纤维化阶段的效率和准确性.
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:
- 磁共振弹性图 (MRE) 对于肝纤维化病的分期至关重要.
- 目前的MRE方法在质量控制 (QC) 和测量变化方面面临挑战.
- 自动化QC和肝硬度测量 (LSM) 是需要的临床实用性.
研究的目的:
- 开发和验证用于肝脏MRE QC的完全自动化的深度学习 (DL) 方法.
- 通过使用DL.自动化肝硬度测量 (LSM).
- 与手动方法相比,评估DL方法的性能和效率.
主要方法:
- 一项回顾性研究使用了来自69名患者的897个MRE切片.
- 一个基于SqueezeNet的模型被训练用于在MRE图像中检测文物.
- 在诊断质量的切片上使用U-Net细分模型进行肝脏细分和LSM.
主要成果:
- 该DL QC模型实现了高精度 (0.958),精度 (0.982) 和回忆 (0.886).
- 与参考标准相比,DL辅助的LSM显示出1.9%±4.6%的低平均误差.
- 自动化LSM在每片不到1秒内完成,比手工方法 (20分钟) 显著改进.
结论:
- 基于DL的自动化方法用于肝脏MRE质量分类,细分和LSM显示高性能.
- 这种方法有可能在临床上被采用,以简化肝纤维化评估.
- DL方法为克服QC挑战和MRE测量的变化提供了一个有希望的解决方案.
