相关联路由网络用于多参数肝脏MRI中的可解释性损伤分类
Fakai Wang1, Zhehan Shen2, Huimin Lin3
1Department of Radiology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China; Institute for Medical Imaging Technology, Ruijin Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Medical image analysis
|September 23, 2025
概括
我们开发了一个相关路由网络 (CRN) 用于使用MRI诊断肝脏瘤,在分类焦点肝脏病变 (FLL) 和预测成像特征更好地解释性方面实现了高准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 肝脏瘤诊断在腹部成像中至关重要.
- 磁共振成像 (MRI) 提供了独特的优势,但在自动化分类方面面临着挑战.
- 现有的研究往往侧重于CT和超声波,对焦点肝病变 (FLL) 的MRI研究较少.
研究的目的:
- 提出一种可解释的AI模型,用于使用多序MRI对肝脏病变进行分类.
- 提高自动化肝脏瘤诊断的准确性和临床问责性.
- 解决肝脏MRI分析中的技术复杂性和数据集策划问题.
主要方法:
- 开发了一个使用10个MRI序列的相关路由网络 (CRN).
- CRN包含编码分支,相关性路由/中继模块和自我注意机制.
- 该模型预测了病变类型 (HCC,胆瘤,转移,血瘤,FNH,囊) 和详细的成像特征.
主要成果:
- 在恶性与良性分类方面获得了97.2%的准确性.
- 在六类病变分类中达到88%的准确性.
- 获得了84.9%的平均成像特征准确度,超过了CNN和变压器模型.
- 识别的信号关系用于定量解释性.
结论:
- 该CRN模型在肝脏MRI分析中表现出高准确性和可解释性.
- 该方法通过详细的特征预测提高了临床责任.
- 这项工作提供了对多式联络病变分类和AI模型在医学成像中的可解释性方面的见解.
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
8.6K
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
49.3K
