开发一个完全自动化的成像生物标志物用于通过MRI基于瘤细分和EPMHCC风险评估

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 肝细胞癌 (HCC) 是一个重要的全球健康问题,需要改进早期检测方法.
• 磁共振成像 (MRI) 是肝脏成像的一个关键模式,但准确的瘤特征仍然具有挑战性.
• 对MRI的自动分析可以提高HCC的诊断效率和准确性.

研究的目的:

• 评估使用MRI早期检测HCC的自动瘤细分的可行性.
• 评估卷积神经网络 (PocketNet) 对于肝脏瘤细分的性能.
• 确定自动成像生物标志物的临床实用性,这些生物标志物是从HCC风险评估的细分中得出的.

主要方法:

• 实施PocketNet,一个轻量级的卷积神经网络,用于MRI上的自动肝脏瘤细分.
• 使用增强模式映射 (EPM) 作为分段区域内的voxel-wise成像生物标志物.
• 与手动注释对比自动化细分性能的比较分析和使用XGBoost.评估EPM特征可预测性的评估.

主要成果:

• 自动细分实现了与较大的瘤的上限相当的性能,但对于较小的病变表现不佳.
• 来自自动化细分的增强模式映射 (EPM) 功能显示出类似于手动细分的预测能力.
• 尽管细分不准确,但EPM特征表现出稳定性,表明了稳定性.

结论:

• 使用MRI检测HCC的自动瘤细分是可行的,EPM功能证明强大.
• 开发的自动成像生物标志物在HCC风险评估中具有临床实用性的潜力.
• 进一步开发可能会导致完全自动化的系统,以改善HCC管理.