一项关于深度学习的试点研究,使用简化的Intravoxel不连贯运动扩散权重MRI参数来区分肝细胞癌与其他常见肝脏质量的试点研究
Phimphitcha Ratiphunpong1,2, Nakarin Inmutto3, Salita Angkurawaranon3
1Department of Radiologic Technology, Faculty of Associated Medical Science, Chiang Mai University, Chiang Mai, Thailand.
Topics in magnetic resonance imaging : TMRI
|April 18, 2025
概括
从3个b值中使用简化的intravoxel不连贯运动 (IVIM) 参数的深度学习模型有效地区分肝细胞癌 (HCC). 这种方法提高了肝癌检测的诊断准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 肝细胞癌 (HCC) 诊断依赖于成像,但差异化可能具有挑战性.
- 内素不连贯运动 (IVIM) 参数为组织微动力学提供了洞察力.
- 传统的IVIM分析通常需要多个b值,从而增加扫描时间.
研究的目的:
- 开发和验证用于HCC差异化的深度学习技术.
- 使用简化的IVIM参数,仅从三个b值中得出.
- 评估3D卷积神经网络 (3D-CNN) 对此任务的性能.
主要方法:
- 对98个MRI数据集的回顾性分析 (包括在b = 0, 100, 800s/mm2时的扩散权重成像).
- 简化IVIM和表面扩散系数 (ADC) 地图的计算.
- 实现了17层3D-CNN模型,经过交叉验证进行训练.
主要成果:
- 使用IVIM图 (ADC,f,D*) 的3D-CNN模型实现了83.25%的精度和92.70%的AUC.
- 性能显著超过了50%的基线 (P <0.05).
- 这一策略在所有指标上都超过了其他评估方法的表现.
结论:
- 从3个b值的简化IVIM参数对HCC差异化有效.
- 与3D-CNN架构的集成提供了一个强大的诊断框架.
- 这种方法提高了使用MRI进行肝癌分化的准确性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.1K
06:09Author Spotlight: Advancing Hepatic Fibrosis Diagnosis Using Magnetic Resonance Elastography and AI
Published on: July 21, 2023
1.0K
