目的:评价MR-T 1-mapping成像和CT细胞外容积诊断肝纤维化的价值。方法:计算机检索PubMed、Cochrane library、Web of Science、中国知网、维普数据库和万方医学网,查找有关MR及CT的细胞外容积对肝纤维化的诊断性试验,检索时间截止2022...目的:评价MR-T 1-mapping成像和CT细胞外容积诊断肝纤维化的价值。方法:计算机检索PubMed、Cochrane library、Web of Science、中国知网、维普数据库和万方医学网,查找有关MR及CT的细胞外容积对肝纤维化的诊断性试验,检索时间截止2022年2月。由2位评价员按照纳入与排除标准独立筛选文献、提取资料和评价纳入研究的方法学质量后,采用Meta-Disc 1.4软件进行Meta分析。结果:最终纳入11篇文献,包括968例患者。以肝切除或组织活检病理、磁共振弹性成像(MRE)为金标准。基于MRI的ECV对明显肝纤维化(≥F2)组合并敏感度、特异度及SROC曲线下面积AUC值分别为0.74、0.83、0.9126,对严重肝纤维化(≥F3)组的敏感度、特异度分别为0.79、0.88,对早期肝硬化(F4)组的敏感度、特异度范围分别为0.85~0.87、0.80~0.87;基于CT碘值的ECV-iodine对≥F2、≥F3、F4组的合并敏感度和特异度分别为0.73和0.72、0.70和0.78、0.80和0.68,SROC曲线下面积分别为0.8023、0.8741、0.7465;基于常规CT绝对值的ECV-HU对≥F2、≥F3、F4组的合并敏感度和特异度分别为0.73和0.68、0.71和0.73、0.70和0.70,SROC曲线下面积分别为0.7612、0.7899、0.7680。结论:基于MRI的ECV诊断肝纤维化分期的准确性优于CT,而CT碘值所得ECV-iodine的诊断准确性优于常规CT值所得ECV-HU。展开更多
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(a...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。展开更多
文摘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。
