利用标准T2加权MRI图像，通过两阶段深度学习方法实现晚期肝纤维化的检测

《Abdominal Radiology》：Advanced liver fibrosis detection using a two-stage deep learning approach on standard T2-weighted MRI

基于T2加权MRI的两阶段深度学习模型可有效检测肝纤维化，通过nnU-Net分割肝脏后应用Masked Attention ResNet分类，在23例病理确诊测试集中AUC达0.811，优于直接分类。研究证实分割质量显著影响分类性能，并对比了DenseNet121和SwinTransformer等架构。

　　

摘要

目标

开发并验证一个深度学习模型，利用标准的T2加权MRI自动检测晚期肝纤维化。

方法

我们使用了两个数据集：公共的CirrMRI600+数据集（n=374），其中包含318名肝硬化患者和56名健康受试者的T2加权MRI扫描结果；以及一个内部数据集，包含187名慢性肝病患者。我们构建了一个两阶段的深度学习流程：首先，使用在CirrMRI600+数据集上训练的nnU-Net架构开发了一个自动肝脏分割模型，然后将其应用于我们内部数据集中的肝脏分割；其次，使用Masked Attention ResNet分类模型进行分类。在分类模型训练中，将肝脏硬度测量值（LSM）大于12 kPa的患者归类为晚期纤维化（n=104）。相比之下，CirrMRI600+数据集中的健康受试者和LSM小于或等于12 kPa的患者被归类为非晚期纤维化（n=116）。模型验证仅在另一个包含23名患者的独立测试集上进行，这些患者的纤维化程度通过组织病理学确认（METAVIR≥F3表示晚期纤维化）。我们还将我们的两阶段方法与不进行分割的直接分类方法进行了比较，并评估了其他架构，包括DenseNet121和SwinTransformer。

结果

肝脏分割模型在测试集上的表现非常出色（平均Dice分数：0.960 ± 0.009；IoU：0.923 ± 0.016）。在经过病理学确认的独立测试集（n=23）上，我们的两阶段模型表现出强大的诊断性能（敏感性：0.778，特异性：0.800，AUC：0.811，准确率：0.783），显著优于不进行分割的直接分类方法（AUC：0.743）。分类性能高度依赖于分割质量，分割质量优秀的病例（得分1）的准确率高于分割质量较差的病例（得分3，准确率：0.625）。具有掩码注意力的其他架构的表现相当但略低（DenseNet121：AUC 0.795；SwinTransformer：AUC 0.782）。

结论

我们完全自动化的深度学习流程能够利用标准的非对比T2加权MRI有效检测晚期肝纤维化，可能为当前的诊断方法提供一种无创的替代方案。采用先分割后分类的方法在性能上显著优于直接分类。