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

作者：樊凤仙; 胡万均; 姜艳丽; 邹婕; 杨品; 张静^*

来源：磁共振成像, 2022, 13(09): 30-34.

• 肝纤维化
• 多模态磁共振成像
• 机器学习
• 卷积神经网络

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。

• 单位
  兰州大学第二医院