基于LI-RADS的肝细胞癌风险映射使用对比增强的MRI和自我配置的深度学习
Róbert Stollmayer1,2, Selda Güven3, Christian Marcel Heidt4
1Clinic for Diagnostic and Interventional Radiology (DIR), Heidelberg University Hospital, Heidelberg, Germany. robert.stollmayer@med.uni-heidelberg.de.
概括
使用nnU-Net的深度学习模型可以自动化肝细胞癌 (HCC) 风险评估,使用加达克酸二增强型MRI. 这种方法显示了LR-5病变的高检测性能,有助于临床实践.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 的诊断依赖于加多克酸二增强型MRI (EOB-MRI).
- 肝脏成像报告和数据系统 (LI-RADS) 标准化改善了解释,但复杂且耗时.
- 深度学习,特别是nnU-Net,有可能简化EBO-MRI对HCC的分析.
研究的目的:
- 开发和评估使用nnU-Net.net进行HCC风险分层的自动化细分模型.
- 在LI-RADS v2018分类中评估模型的性能.
主要方法:
- 对602名HCC风险患者进行EBO-MRI检查的回顾性分析.
- 使用nnU-Net框架进行自动细分的U-Net模型培训.
- 在内部和外部测试集上评估病变检测,LI-RADS分类和细分指标.
主要成果:
- 该模型实现了对LI-RADS病变,特别是LR-5.的高检测灵敏度和积极预测值.
- 对LI-RADS分类的F1分数和对细分的Sørensen-Dice系数显示出强大的表现,特别是对于LR-5病变.
结论:
- 通过深度学习细分工具生成的自动瘤风险地图显示了LR-5 HCC病变的高检测性能.
- 建议在临床实施之前进行进一步的多中心研究,以加强LI-RADS自动分类.
