先进的肝纤维化检测使用标准T2加权MRI的两阶段深度学习方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 晚期肝纤维化诊断通常依赖于侵入性手术.
• T2加权磁共振成像 (MRI) 是一种标准的,非侵入性成像技术.
• 医疗图像的自动分析可以提高诊断效率和准确性.

研究的目的:

• 开发和验证深度学习模型,用于自动检测晚期肝纤维化.
• 使用标准的T2加权MRI扫描来评估纤维化.
• 将两阶段深度学习方法与直接分类方法进行比较.

主要方法:

• 开发了一个两阶段的深度学习管道,包括自动肝脏细分 (nnU-Net) 和分类 (蒙蔽注意力ResNet).
• 该模型经过公开 (CirrMRI600+) 和内部数据集的训练和验证,根据肝硬度测量进行分类 (LSM > 12 kPa对于晚期纤维化).
• 独立验证是在具有本病理学确认的试验组 (METAVIR ≥ F3) 上进行的.

主要成果:

• 肝脏细分模型取得了出色的表现 (迪斯得分:0.960,IOU:0.923).
• 两阶段模型在独立测试组 (AUC:0.811,精度:0.783) 上显示出强大的诊断性能,超过了直接分类 (AUC:0.743).
• 细分质量显著影响了分类准确性.

结论:

• 一个完全自动化的深度学习管道有效地使用T2加权MRI检测晚期肝纤维化.
• 这种方法为现有诊断方法提供了一个有前途的非侵入性替代方案.
• 与直接分类相比,以分段为先的策略显著提高了诊断性能.