使用磁共振弹性图形中的UNet-ResNet50-32 × 4d模型进行快速肝纤维化评估:回顾性研究
Pei-Yuan Su1,2, Han-Jie Shih3, Jia-Lang Xu4
1Department of Internal Medicine, Division of Gastroenterology, Changhua Christian Hospital, Changhua, Taiwan.
JMIR medical informatics
|October 20, 2025
概括
一个新的深度学习模型,UNet-ResNet50-32 × 4d,使用MRE图像准确评估肝纤维化严重程度. 这种自动化方法提高了慢性肝病管理的诊断速度和可靠性.
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:
- 肝纤维化是慢性肝病进展的关键指标.
- 磁共振弹性图 (MRE) 提供了一种非侵入性方法来评估肝纤维化.
- 精确的纤维化分期对于有效的患者管理至关重要.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于MRE图像中的自动肝纤维化细分.
- 将标准U-Net模型的性能与UNet-ResNet50-32 × 4d架构进行比较.
- 为定量纤维化评估建立可靠的人工智能工具.
主要方法:
- 从患者 (2018-2020年) 的319个MRE扫描进行了回顾性分析.
- 使用传统的U-Net和UNet-ResNet50-32 × 4d模型对MRE图像进行细分.
- 使用相关系数,交叉与联盟 (IoU) 和子得分的绩效评估.
主要成果:
- 通过UNet-ResNet50-32×4d模型实现了高精度,相关系数为0.952 (培训) 和0.943 (验证).
- 85.68%的子得分证实了该车型的强大细分性能.
- 先进的模型显示强烈一致与地面真相注释.
结论:
- UNet-ResNet50-32×4d模型是快速准确评估肝纤维化的可靠工具.
- 使用DL的自动MRE分析可以简化临床工作流程.
- 这项技术支持管理慢性肝病的及时临床决策.
