使用MRI数据的深 convolutional神经网络检测慢性肝病:一个深度学习方法
Elif Zoroğlu Altınkaya1, Emre Altınkaya2, Emre Emekli1,3
1Department of Radiology, Faculty of Medicine, Eskişehir Osmangazi University, Eskişehir, Turkey.
Polish journal of radiology
|February 18, 2026
概括
一种新型的深度学习模型使用MRI扫描没有细分,准确地检测慢性肝病 (CLD). 这种先进的方法显著提高了及时患者干预的诊断准确性.
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:
- 慢性肝病 (CLD) 是一个重大的全球健康挑战.
- 早期和准确的CLD检测对于有效的治疗和患者的治疗结果至关重要.
- 磁共振成像 (MRI) 是肝脏评估的一个关键模式,但诊断准确性可以得到改善.
研究的目的:
- 开发和评估基于深度学习的卷积神经网络 (DeepCNN),用于使用MRI自动检测CLD.
- 将DeepCNN模型的诊断性能与传统的机器学习算法进行比较.
- 评估非细分的MRI图像对CLD分类的有用性.
主要方法:
- 一项回顾性研究利用了2018年至2024年期间获得的184名患者的1112张MRI图像 (460个正常,652个CLD).
- 图像经过预处理,包括大小调整,增强和正常化.
- 训练了DeepCNN模型,并将其性能与后勤回归,k-最近邻居,支持矢量机器和随机森林进行了比较,使用准确度,精度,回忆和F1-score.
主要成果:
- 深CNN模型实现了93%的准确性和F1得分为0.939,精度为97%,CLD分类的回忆率为98%.
- 传统的机器学习算法显示精度较低,从72.31%到83.16%不等.
- 除了冠状图外,DeepCNN的准确度降至86%,这凸显了多平面成像的重要性.
结论:
- 开发的DeepCNN模型显示,与传统的机器学习方法相比,MRI对CLD检测的诊断准确度更高.
- 这种非细分的MRI方法为CLD诊断提供了实际的进步,支持早期干预.
- 未来的研究可以探索注意力机制和先进的深度学习架构,以进一步提高性能.