使用非对比磁共振成像进行肝脏瘤的深度学习辅助诊断:一个多中心研究
Shihui Zhen1,2,3, Peng Zhang3, Hanxiao Huang3
1Department of Surgical Oncology, Sir Run Run Shaw Hospital, School of Medicine, Zhejiang University, Hangzhou, Zhejiang, China.
Frontiers in oncology
|July 25, 2025
概括
一个深度学习模型准确地使用非对比MRI对肝脏病变进行分类,为查和随访提供了具有成本效益的替代方案. 这种方法减少了扫描时间和与对比剂相关的风险.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 非对比性MRI (NC-MRI) 提供了一种可访问的肝脏瘤查和随访方法.
- 深度学习模型在医学图像分析中表现有前途,有可能提高诊断准确性.
研究的目的:
- 开发和验证深层卷积神经网络,使用NC-MRI对肝病变进行分类.
- 评估基于NC-MRI的模型在区分良性和恶性肝病变方面的有效性.
主要方法:
- 一个深层卷积神经网络 (Inception-ResNet V2) 在来自1,959名患者的50,418张NC-MRI图像上受过训练.
- 使用转移学习,处理T2加权,扩散加权 (DWI) 和多相T1加权图像,生成了四种模型.
- 模型性能在独立的内部和外部数据集上得到验证,评估指标包括AUC,灵敏度和特异性.
主要成果:
- 无对比模型在分类肝病变方面表现出与基于图像的增强模型可比的准确性.
- 在T2+DWI模型中,在内部队列中,在将病变分为三个类别时,AUC达到0.91.
- 在验证组中,识别恶性瘤的灵敏度超过87%,特异性超过70%.
结论:
- 深度学习模型适用于NC-MRI中的肝病变分类.
- 基于NC-MRI的深度学习提供了一种具有成本效益和时间效率的替代方案,降低了对比剂风险.
- 这种方法适用于良性瘤的随访,HCC监测和肝转移监测.
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
8.3K
05:37Author Spotlight: A Non-Invasive Tool to Assess and Differentiate Fat Patterns in Liver Using 3D Dixon MRI
Published on: October 20, 2023
1.6K
