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。
