肝脏MR弹性成像后处理的统一深度学习框架:概念验证研究
Vitaliy Atamaniuk1,2,3, Andrii Pozaruk4,5, Michał Madera6
1Department of Physics and Medical Engineering, Faculty of Mathematics and Applied Physics, Rzeszów University of Technology, Rzeszów, Poland.
NMR in biomedicine
|March 9, 2026
概括
一个新的深度学习管道完全自动化使用磁共振弹性学 (MRE) 量化肝硬度. 这种人工智能方法显著减少了肝纤维化评估的分析时间和操作员依赖性.
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:
- 磁共振弹性图 (MRE) 对于非侵入性肝硬度测量和肝纤维化评估至关重要.
- 目前的MRE分析需要手动划分感兴趣区域 (ROI),这耗时,依赖专家,容易变化.
研究的目的:
- 评估单一深度学习 (DL) 管道的可行性,以完全自动化肝脏MRE分析,从数据采集到硬度量化.
- 开发和验证一个DL框架,用于重建度图和直接从MRE图像细分肝脏.
主要方法:
- 一个基于卷积神经网络 (CNN) 的框架被开发和训练,使用来自83名成年志愿者的MRE数据.
- 评估了多个神经网络架构 (U-Net,ResNet,CycleGAN混合) 的性能.
- 自动肝脏细分和硬度量化直接从MRE大小和相位图像进行.
主要成果:
- DL管道实现了肝硬度估计,偏离基准值不到11%,在最佳配置下不到3%.
- 自动化分析显示,协议与读者之间的协议相当,类内相关系数 (ICC) 为0.86和0.89.
- 每次检查的总推断时间很快,平均为23.7±4.4秒.
结论:
- 肝脏MRE的全自动化,人工智能驱动的后处理管道在受控的概念验证环境中在技术上是可行的.
- 这种人工智能方法有望减少分析时间和在肝硬度评估中对操作员的依赖.
- 为了更广泛的概括和潜在的临床应用,需要在不同的临床群体中进一步验证.
