基于多模态MRI图像的3D卷积神经网络对肝纤维化分类的价值研究

摘要：

目的 构建并验证多模态MRI图像3D卷积神经网络(convolutional neural network,CNN)模型对肝纤维化(liver fibrosis,LF)分类的价值.材料与方法 回顾性分析经病理证实为LF,并行肝脏3.0 T MRI检查的224例LF患者的T1WI、T2WI、表观扩散系数(apparent diffusion coefficient,ADC)图像,按8:2的比例随机分为训练集和测试集.对图像进行预处理后,应用训练集图像对模型进行网络结构迭代训练,建立3D-CNN深度学习模型对无显著LF(S0～S1)、显著LF(≥S2)进行分类.经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成.训练完成后,用测试集数据对CNN模型进行测试,使用准确度(accuracy,ACC)曲线、损失函数(loss)曲线及受试者工作特征(receiver operating characteristic,ROC)曲线评价模型的性能.结果 基于多模态MRI的3D-CNN深度学习模型在训练集中对LF分类的ROC曲线下面积(area under the curve,AUC)值为0.94,在测试集中的AUC为0.98.结论 多模态3D-CNN深度学习模型可对无显著LF和显著LF进行分类,为LF的无创性评估提供更多选择.

关键词：肝纤维化、多模态磁共振成像、机器学习、卷积神经网络

所属期刊栏目：13

分类号：R445.2;R657.31(诊断学)

资助基金：甘肃省科技计划项目;兰州大学第二医院萃英科技创新计划

在线出版日期：2022-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：30-34