基于深度学习训练上腹部DCE-MRI扫描期相分类模型的可行性

• 作者: 额·图娅 郭小超 王可 黄嘉豪 王祥鹏 张晓东 王霄英
• 来源期刊: 放射学实践
• 关键词: 磁共振成像 对比增强扫描 深度学习 图像分类 质量控制
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 影像技术学|Original Articles
• 页码范围: 1052-1058
• 页数: 7页
• 分类号: R445.2
• 语种: 中文
• DOI: 10.13609/j.cnki.1000-0313.2021.08.020

摘要

目的:探讨基于深度学习算法建立的上腹部DCE-MRI图像自动分类模型的立场应用价值.方法:回顾性搜集417例患者上腹部DCE-MRI扫描不同期相的共1330组图像数据.由两位专家将所有图像按平扫、动脉早期、动脉晚期和门静脉-延迟期进行分类.将1330组的数据随机分为训练集(train set,n=1118),调优集(validation set,n=108)和测试集(test set,n=104).训练3D-ResNet模型对图像的扫描期相进行分类,应用混淆矩阵(confusion matrix)评价模型的分类预测效能.结果:在训练集、调优集及测试集中总体预测符合率分别为99.9％(1117/1118)、99.1％(107/108)和99.0％(103/104).训练集及调优集中动脉晚期的预测符合率分别为99.5％(193/194)和90.9％(10/11),平扫、动脉早期及门静脉-延迟期的预测符合率均为100％.测试集中各期相图像分类符合率:平扫97.5％(39/40)、动脉早期100％(14/14)、动脉晚期100％(8/8)、门静脉-延迟期100％(42/42).结论:基于深度学习方法训练的分类模型对DCE-MRI各期相图像的分类预测效能良好,有利于工作流程的优化及后续对接AI诊断模型.