使用U-Nets对MR弹性图的肝脏和脏进行自动细分
Noah Jaitner1, Jakob Ludwig1, Tom Meyer1
1Department of Radiology, Charité-Universitätsmedizin Berlin, corporate member of Freie Universität Berlin and Humboldt-Universität zu Berlin, Hindenburgdamm 30, 12203, Berlin, Germany.
Scientific reports
|March 29, 2025
概括
使用U-Nets在多频磁共振弹性学 (MRE) 大小图像中的自动化肝脏和脏细分能够准确量化剪切波速度 (SWS). 预训练和训练的U-Nets都表现出了出色的性能,与手动细分相当.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物物理学的生物物理.
背景情况:
- 磁共振弹性图 (MRE) 是一种非侵入性技术,用于评估组织硬度.
- 肝脏和脏等器官的准确细分对于量化剪切波速度 (SWS) 至关重要.
- 手动细分是耗时的,容易引起观察者之间的变化.
研究的目的:
- 为了比较预训练和训练的2D和3DU-Net模型,用于在多频率MRE大小图像中自动化肝脏和脏细分.
- 用这些细分模型评估SWS自动定量化的可行性.
- 为了评估U-Nets的性能与手动细分使用相关性,ICC和Dice分数.
主要方法:
- 72名健康参与者接受了1.5T或3T的多频率MRE.
- 对肝脏和脏有兴趣的体积 (VOI) 进行了手动细分 (地面真相) 和自动使用预训练和训练的2D和3DU-Nets在MRE大小图像上.
- 使用相关性分析,类内相关系数 (ICCs) 和VOI和SWS值的Dice分数来评估绩效.
主要成果:
- 在VOI和SWS值的地面真相和U-Net细分之间没有发现统计学上显著的差异 (p ≥0.95).
- 观察到强烈的正相关性 (肝脏R=0.99,脏R=0.81-0.84) 和优异的一致性 (肝脏ICC=0.99,脏ICC=0.90-0.92).
- 2D U-Net获得了略高的子分数 (肝脏:0.95,脏:0.90),表明了优异的细分性能,U-Net模型之间的差异最小.
结论:
- 在MRE大小图像上使用2D和3DU-Nets的自动肝脏和脏细分是非常可行的和准确的.
- 利用MRE大小图像中的解剖信息,可以完全自动量化MRE参数.
- 这种方法为在临床环境中高效可靠的SWS量化提供了一个有希望的解决方案.
