基于Gd增强型MRI的深度学习3D超分辨率放射学模型,用于改善HCC病理分级的术前预测
Fei Jia1,2,3, Baolin Wu4, Zhuo Wang1,2,3
1Department of Magnetic Resonance, The Second Hospital & Clinical Medical School, Lanzhou University, Lanzhou, China.
Abdominal radiology (New York)
|July 8, 2025
概括
一个基于深度学习的超分辨率 (SR) 磁共振成像放射学模型显示,它有望预测肝细胞癌 (HCC) 病理等级. 这种先进的工具,利用SR肝胆相 (HBP) 图像,与标准分辨率图像相比,提高了预测准确性.
科学领域:
- 医疗成像医学成像
- 在瘤学中使用人工智能
- 放射学和计算机病理学
背景情况:
- 肝细胞癌 (HCC) 的组织学级对于预测患者的预后和手术后瘤复发至关重要.
- 准确的手术前评估HCC等级对于指导治疗决策至关重要.
- 目前用于分类HCC的方法可能在预测结果方面存在局限性.
研究的目的:
- 评估基于深度学习的三维超分辨率 (SR) 磁共振成像 (MRI) 放射学模型的可行性和有效性.
- 用SR肝胆相 (HBP) MRI图像来预测HCC的病理级别.
- 将SRHBP放射学模型的性能与正常分辨率 (NR) HBP模型进行比较.
主要方法:
- 分析了197名HCC患者的队列,分为训练 (n=157) 和测试 (n=40) 组.
- 基于深度学习的3D SR技术增强了正常分辨率的HBP MRI图像.
- 从NRHBP和SRHBP图像中提取了高维放射性特征,并训练了机器学习模型 (梯度增强,光梯度增强机,支持矢量机) 来进行HCC等级的三类和二进制分类.
主要成果:
- 使用SRHBP图像开发的所有三类放射学模型显示,与使用NRHBP图像的模型相比,曲线下面积 (AUC) 值更高.
- 使用SRHBP图像的二进制分类模型在区分分别差异化和差异化HC的HC的区分方面明显优于NRHBP模型 (AUC=0.849对比0.603).
- 决策曲线分析证实了开发的SRHBP放射学模型的临床效用和价值.
结论:
- 基于深度学习的3D SR技术可以显著提高放射学模型的性能,用于预测HCC病理等级.
- 在放射学模型中使用SRHBP图像为手术前评估HCC差异化提供了一个有希望的非侵入性方法.
- 这种先进的成像技术可能会改善HCC的治疗计划和患者的治疗结果.
