使用注意模块和残留转换的深度学习改善了使用多相CTCT的肝细胞癌 (HCC) 差异化

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:

• 肝细胞癌 (HCC) 的检测仍然是一个挑战.
• 传统的深度学习模型可能无法完全捕捉复杂的成像特征.
• 需要提高区分HCC与其他肝病变的准确性.

研究的目的:

• 开发和评估一种新的深度学习模型 (GAN+SA+ResNeXt) 以提高HCC预测.
• 为了研究将生成对抗网络 (GAN) 与自我注意 (SA) 和ResNeXt相结合用于HCC差异化的有效性.
• 提高HCC诊断的准确性和效率,使用多相CT扫描.

主要方法:

• 追溯分析了来自57名患者的228个多相CT扫描 (30名HCC,27名非HCC患者).
• 实现自动肝脏细分和霍恩斯菲尔德单位 (HU) 规范化.
• 使用五倍交叉验证进行3D GAN,3D GAN+A和3D GAN+A+ResNeXt模型的培训和评估.

主要成果:

• GAN+SA+ResNeXt模型实现了95%的接收器操作特性曲线 (AUROC) 下的面积.
• 拟议的模型显示了高精度 (91%),灵敏度 (93%) 和可接受的特异性 (88%).
• 预测时间特别高效,为0.04s.

结论:

• 拟议的GAN+SA+ResNeXt深度学习模型对于CT的HCC诊断是可行的和有效的.
• 这种方法在区分HCC与其他肝脏病变方面提供了更高的准确性和效率.
• 该模型显示了改善肝损伤特征的显著临床潜力.