放射组学评价肝纤维化
本研究旨在探讨深度卷积神经网络(DCNN)模型通过应用钆酸增强肝胆期磁共振(MR)成像在肝纤维化分期中的表现。
本研究旨在探讨深度卷积神经网络(DCNN)模型通过应用钆酸增强肝胆期磁共振(MR)成像在肝纤维化分期中的表现。
本回顾性研究包括有输入数据(肝胆期MR图像，成像单元的静态磁场，以及阳性和阴性的乙型和丙型肝炎病毒检测结果)和参考标准数据(肝纤维化分期由MR检查6个月内的活检或手术标本来评估)的患者，他们被分为训练组(534例)和试验(100例)。对于训练组(肝纤维化阶段为F0、F1、F2、F3和F4的病人分别有54， 53， 81， 113， 和 233例)，平均年龄、67.4±9.7岁、388名男性和146名女性，三个不同方位的MR图像增加90倍(旋转、平行移位、亮度改变和对比度改变，共144180幅图像)。为了将输出数据(通过深度学习获得的纤维化评分[FDL评分)和肝纤维化阶段之间的差异最小化，使用DCNN模型进行管理训练。使用受试者工作曲线评估试验组中DCNN模型(纤维化阶段为F0、F1、F2、F3和F4的病人分别有10， 10， 15、20和45例，平均年龄、66.8岁±10.7岁、71名男性患者和29名女性患者)的表现。
本研究结果为F DL评分与纤维化分期显着着相关(Spearman等级相关系数：0.63; P <0.001)。诊断纤维化阶段为F4，F3和F2的ROC曲线下面积分别为0.84，0.84和0.85。
本研究结论为DCNN模型在肝纤维化分期中表现出较高的诊断性能。
原始出处：
Yasaka K， Akai H， Kunimatsu A. et al.Liver Fibrosis： Deep Convolutional Neural Network for Staging by Using Gadoxetic Acid-enhanced Hepatobiliary Phase MR Images.Radiology.DOI10.1148/radiol.2017171928
相关文章
评论
我要跟帖
