利用多模态CT和MRI结合深度学习以及放射学特征融合方法对肝癌进行辅助诊断

《Ain Shams Engineering Journal》：Auxiliary diagnosis of liver cancer using multimodal CT and MRI with deep learning and radiological feature fusion approach

　　严 王 | 史 王 | 潘 文娟 | 叶 师萍 | 王 金明 | 古拉姆·阿巴斯 | 阿姆尔·优素福 | 埃泽丁·图蒂
中国丽水市丽水大学第一附属医院、温州医科大学附属丽水医院肝胆胰外科

**摘要**
肝癌，尤其是肝细胞癌（HCC），由于其无症状的特性和早期检测的挑战，是全球癌症相关死亡的重要原因。在临床实践中，放射科医生通常依赖多相计算机断层扫描（CT）和多序列磁共振成像（MRI）来检测和评估肝脏病变。然而，准确解读这些影像数据非常复杂，并且存在诊断变异性，尤其是在早期病例中。此外，依赖单一模态CT或MRI的传统方法往往忽略了细微但关键的诊断特征，也无法有效整合跨模态的依赖性。本研究提出了一种基于残差密度的多模态融合网络（RD-MFNet），通过结合CT和MRI扫描的结果，为放射科医生提供准确且一致的肝癌辅助诊断。该模型整合了ResNet3D来对CT各相位进行模态特异性编码，捕捉结构和血管信息，并结合EfficientNet3D与Squeeze-and-Excitation（SE）模块从图像序列中提取增强对比度特征。通过条件掩蔽实现残差密度特征融合，处理缺失的模态数据，并在特征相位之间进行层次化表示融合。RD-MFNet模型提高了肝癌诊断的准确性，Dice相似系数（DSC）提高了12%，Hausdorff距离减小，DSC达到92.3%，曲线下面积达到97.5%，证明了其在辅助诊断中的可靠性。

**1. 引言**
1.1. 背景
肝癌是全球最常见的癌症之一，但由于大多数患者在晚期才被诊断出来，导致治疗选择有限，生存率显著降低[1]。肝癌的诊断和管理依赖于CT和MRI等核心成像技术，这些技术提高了分期的准确性和治疗计划的有效性[2]。然而，完整的3D CECT图像的获取有限，阻碍了原发性肝癌亚型的准确分类[3]。手动解读这些复杂图像具有挑战性且主观性强[4]。因此，本研究通过整合全相位CT和MRI与深度学习来提高诊断的精确性和一致性[5]。
从CT/MRI中准确及时地诊断HCC对于确定有效的治疗方案和提高患者生存率至关重要，同时也能减少假阴性和活检率[6]。CT和MRI在HCC诊断指南上存在差异，对于不确定性病变，gadoxetic酸增强MRI的优势尚不明确[7]。MRI利用磁场和无线电波详细显示软组织，而CT扫描则从多个角度使用X射线生成横截面图像。两者结合使用在诊断肝癌方面具有优势[8]。CT显示动脉期增强和静脉期消退，而MRI显示信号强度增强的肿瘤[9]。多相MRI的使用提供了更好的软组织对比度，使得非侵入性检测和表征肝脏肿瘤特征成为可能[10]。深度学习的最新进展在自动化肝脏和肿瘤分割及分类任务方面显示出潜力[11]。计算智能技术在肺癌检测中的应用持续改进[12]。增强对比度的MRI输入提高了HCC的非侵入性诊断[12]。多流特征提取模块有效地捕获了CT和MRI模态在多个尺度上的互补特征，从而提高了细微诊断特征的检测能力[13]。因此，采用基于残差密度的融合策略实现了强大的跨模态特征融合和深度语义分割，实现了肝癌的准确辅助诊断[14]。

1.2. 问题陈述与研究目标
尽管肝癌成像技术有所进步，但由于症状不典型和单一模态成像的局限性，HCC的早期诊断仍然极具挑战性。当前的诊断系统（使用CT或MRI）无法捕捉病理细节，而以往的多模态融合方法往往依赖于跨模态的空间依赖性，导致性能不佳。此外，现有模型缺乏有效的特征整合机制，导致诊断一致性差和临床应用受限。为了解决这些问题，需要辅助诊断系统来整合多模态成像信息，以提高诊断一致性。本研究提出了一种新的RDMFNet方法，通过联合分析多相CT和多序列MRI扫描，实现更准确和一致的肝癌辅助诊断。这种方法的独特性和核心优势在于其能够动态融合两种模态的异构特征，从而提高诊断的鲁棒性和对肝癌早期细微特征的敏感性。

1.3. 研究贡献
本研究的主要贡献如下：
- 提出了一种新的RD-MFNet，通过残差密度连接有效整合CT和多相MRI的放射组学特征，从而增强特征学习和多模态融合，用于肝癌的辅助诊断。
- 应用模态特异性特征提取——ResNet3D处理CT图像，EfficientNetSE处理MRI图像——增强了通道级别的特征校准，提高了模型在多模态输入中关注区分性放射组学特征的能力。
- 该模型实现了高效的多尺度表示学习，同时提高了肝癌辅助诊断的准确性。

1.4. 创新性
本研究的关键创新在于创建了RD-MFNet，它以有用的方式结合了CT和MRI成像信息。这种组合通过收集典型的单一模态技术有时会忽略的互补空间和纹理信息，实现了更准确和一致的肝癌补充诊断。

1.5. 论文结构
研究流程如下：第2节介绍了基于CT和MRI图像相位的肝癌诊断文献综述。第3节讨论了提出的研究模型RD-MFNet及其适当的数据描述和详细架构。第4节介绍了环境设置，包括训练和学习设置、消融研究以及比较基准分析。第5节总结了研究思路及其局限性和未来研究方向。

**2. 最近的研究工作**
Peng等人[16]引入了3D卷积块注意力模块（CBAM）模型，该模型在2,223名患者的非对比多相CT扫描上进行了训练，然后在584名患者上进行了外部测试，获得了0.807（内部）和0.789（外部）的AUC，与经验丰富的放射科医生的结果相当。尽管模型具有强大的诊断性能，但外部测试中过拟合迹象和较低的阴性预测值（NPV，79.8%）表明其泛化能力较弱。未来研究的主要目标应该是改善类平衡、增强数据增强以及纳入更多样化的患者数据，以提高模型的鲁棒性[17]。
Liu等人[17]使用132名受试者在五个成像相位下的钆乙氧基苄基二乙基三胺五乙酸增强MRI数据，采用增强的多梯度深度卷积神经网络（EMG-DCNN）进行肝脏分割和局部病变分类。虽然平均每个测试产生25个假阳性，但模型的敏感性和特异性分别为0.790。然而，鉴于数据集较小和假阳性率较高，需要进一步验证和提高特异性以适应临床应用[18]。
Wu等人[18]提出了一个结合大型语言模型（LLM）与检索增强生成（RAG）和思维链提示的肝癌诊断框架，用于准确分割肝脏肿瘤和血管。临床医生高度评价了该系统能够利用分割结果和患者信息提供专家级且可解释的诊断结果。然而，需要注意的是，结果可能依赖于分割质量和数据集的多样性，这需要在更广泛的成像和医疗环境中进行更广泛的临床验证[19]。
Park等人[19]回顾了三种用于监测HCC的简化磁共振成像（AMRI）技术：gadoxetate增强肝胆相位、动态对比增强和非对比AMRI。重点讨论了每种技术的技术细节、诊断准确性和召回程序。尽管AMRI在早期HCC诊断方面优于超声且成本低于完整MRI，但最佳技术选择和风险适应性应用仍需探索[20]。
Gupta等人[20]在153名慢性肝病患者中使用非对比AMRI（T2加权和DWI）扫描，提出了一个基于病变形态、T2加权高信号和扩散限制的三级AMRI-LI-RADS分类系统（AMRI-LR1至LR3）。虽然模型在检测恶性病变方面的准确率为72%，但总体准确率为88%，特异性高达95.1%。该方法在客观、非侵入性HCC筛查方面具有巨大潜力，但需要在更大、更多样化的数据集上进行多中心验证[21]。
Choi等人[22]将LI-RADS v2018应用于102名儿童的增强对比MRI扫描，识别出肝癌的特定特征，包括有限扩散、非周围性消退和马赛克结构。多变量逻辑回归确认了诊断的准确性。研究的局限性强调了需要更广泛的多中心验证来完善儿科LI-RADS指南[22]。
Li等人[23]提出了一个基于多模态超声的局部肝脏病变分类模型（MUCM-FLL），该模型结合了B模式、肝脏背景、多普勒流和359例组织病理学验证的FLL病例的临床数据。该模型的诊断准确率为92.2%。通过使用模态间加权技术和梯度调整策略，提高了鲁棒性和模态贡献的平衡[23]。然而，其通用性和对其他临床环境的适用性可能存在局限性，且研究依赖于单一来源的数据[23]。
Albrecht等人[24]提出了HEPNET，这是一种深度学习模型，能够准确区分肝内胆管癌和结直肠肝转移。该模型使用来自456名个体的714,000多张H&E染色图像 tile进行训练，性能优于经验丰富的病理学家，外部测试准确率为98.1%，内部测试准确率为96.5%。为了确保其在不同病理工作流程中的通用性，需要更广泛的多中心验证[24]。
Inmutto等人[25]检查了74名患者（48例HCC，26例ICC）的CT成像特征，以检测可重复的异常，如肝硬化、淋巴结肿大和血管增强，并确认了观察者间的一致性。尽管没有使用AI模型，放射科医生的诊断准确率仍高达94.6%，突显了未来训练数据集的关键特征[25]。缺乏直接的人工智能应用和来自单一来源的小数据集是主要限制[25]。
Xie和Chen[26]总结了93项关于HCC MRI放射组学的研究，强调了其在肿瘤分级、亚型分类、治疗反应预测和基于机器学习算法的复发风险评估方面的潜力。放射组学作为一种非侵入性、个性化的HCC治疗方法具有巨大前景，但在可解释性方面存在显著差距，需要大规模的前瞻性验证[26]。
Luo等人[27]使用150名患者的多模态PET/CT图像训练了一个深度学习模型，用于识别和分类局部肝脏病变。该模型优于初级医生，性能优异（良性AUC为0.928，恶性AUC为0.979）。尽管其分割和诊断能力令人印象深刻，但受限于数据来源单一、样本量小、手动注释、无法区分病变亚型以及解释性和通用性有限等问题[27]。
Yao等人[28]提出了一个定制的深度学习模型，可以通过学习58名肝癌患者的低质量和高质量4D-MR图像对来改进放疗计划。与通用模型相比，该模型在图像质量指标（PSNR、SSIM、NRMSE、CPBD）上有显著改进，实现了更快的采集和更好的运动跟踪[28]。未来的研究应该探索更快、更具泛化能力的模型，以便更广泛地应用于临床实践，因为诸如耗时的定制程序和对屏息参考数据的依赖等限制仍然存在。Lou等人[28]提出了SDR-Former，这是一个基于孪生双分辨率变换器（Siamese Dual-Resolution Transformer）的框架，它使用3D卷积神经网络（3D CNN）和变换器（Transformer）从多相CT和MR图像中区分肝脏病变。该框架通过自适应相位选择模块（Adaptive Phase Selection Module, APSM）得到了改进。该模型在包含3相CT和8相MR图像的数据集上进行了训练，并取得了良好的效果，同时还将LLD-MMRI数据集公开供研究使用。然而，对于小型或低对比度病变的分类仍然具有挑战性。未来的工作将集中在动态分辨率、模型剪枝以及适应低相位输入方面。

传统的卷积神经网络（CNN）在处理非标准形状的肿瘤和肝脏分割时存在困难，并且容易丢失上下文信息，从而导致结果不准确。Lei等人[29]提出的DefED-Net通过使用可变形卷积（deformable convolutions）和Ladder-ASPP模块解决了这个问题。在LiTS和3DIRCADb数据集上，它的分割准确率超过了现有的最先进方法。尽管如此，该模型在泛化能力和效率上仍有提升空间；它尚未在多模态或低质量的临床数据上进行测试，且可能需要大量的计算资源。

Luo等人[30]提出了一个深度学习模型，该模型基于最近构建的3D CECT数据集进行训练，该数据集包含了278例涵盖所有主要亚型的肝癌病例和83例非癌病例，并标注了病变和肝脏区域。该模型通过利用全相位CECT数据提高了亚型分类和原发性肝癌分割的准确性。在其他临床环境中实现泛化的一个障碍是缺乏外部验证和多模态注释。

所提出的RDMFNet建立在之前关于肝癌成像技术的广泛研究基础上，如表1所示，它解决了现有最先进方法中识别出的关键限制。虽然像CBAM[16]、EMG-DCNN[16]和MUCM-FLLs[22]这样的模型在单模态环境中表现良好，但它们要么存在诊断问题，要么样本量有限，要么缺乏足够的跨模态特征整合。最近的研究，如SDR-Former[28]和基于PET/CT的深度模型[26]，引入了多模态处理，但往往面临小型病变、相位适应性有限以及MRI包含不足的挑战。相比之下，RDMFNet通过残差密集融合（residual-dense fusion）方法明确地解决了这些问题，旨在保留每种模态的特定特征及其相互依赖性。与之前的肝癌诊断融合方法相比，RDMFNet采用了一种新颖的残差密集学习模型，该模型利用从每种输入模态的编码器网络中提取的特征。当前模型解决了松散耦合的多模态成像技术的辅助诊断变异性和限制。此外，RDMFNet补充了早期模型[26]和[28]的工作，但通过跨CT和MRI图像模态的放射学特征级融合提高了早期病变检测的准确性和可解释性。

表1. 现有研究模型总结。

| 方法 | 模态 | 融合/架构 | 限制 | 性能 |
|------------|------------|--------------|--------------|-------------------|
| Peng等人[15] | CT | 非对比度多相CT | 难以泛化；缺乏跨模态上下文；在仅CT数据上过拟合 | AUC：0.807（内部），0.789（外部） |
| Inmutto等人[22] | 三相CT | 无AI（放射科医生分析） | 无AI模型；高度依赖人工操作，无法扩展到辅助诊断 | 准确率：最高94.6%（人工） |
| Luo等人（2024）[28] | 3D CECT（所有相位） | 深度CNN | 仅CT输入；无多模态注释；无外部验证 | 亚型分割准确性提高 |
| Liu等人[33] | MRI | 增强MRI（5相位） | 仅限于MRI；高假阳性率；缺乏跨模态验证 | 敏感性：0.790 |
| Gupta等人[18] | 非对比度AMRILI-RADS | 基于LI-RADS规则的系统 | 模态受限；无深度融合；缺乏可解释性和早期检测 | 总体准确率：88% |
| Choi等人[19] | 对比增强MRI | 统计回归（无DL） | 目标人群狭窄；无通用多模态洞察；无AI组件 | 诊断准确性得到支持 |
| Lou等人[26] | 多模态 | 3相CT + 8相MR | 难以处理小型/低对比度病变；需要手动调整相位 | AUC高达0.98 |
| Li等人[20] | MUCM-FLLs | B模式 + 多普勒超声 + 临床 | 缺乏CT/MRI级别的解剖精度；无结构融合 | 准确率：92.2% |

所提出的方法使用残差密集融合技术同时从CT和MRI模态中提取和合并特征，这与其他仅使用一种输入类型的深度学习模型不同。这种新的融合技术使肝癌检测更加准确且变化较小。该研究采用了一种新颖的深度学习框架，利用多相MRI和CT扫描辅助诊断肝癌。所提出的RD-MFNet框架通过残差密集融合机制整合CT和MRI模态，提取互补的空间和纹理特征。通过结合ResNet3D和EfficientNet-SE主干网络，该网络能够捕捉HCC的血管和结构变化，从而提高诊断精度。RD-MFNet由三个主要部分组成：
1. 双流编码器主干用于特征提取（CT和MRI路径）
2. 残差密集多模态融合模块
3. 多任务癌症分割和分类头

图1展示了如何使用ResNet结合CT特征和EfficientNet-SE来整合MRI特征，并通过挤压激励（squeeze-excitation）优化来学习哪些通道最重要。平面、动脉、静脉和延迟多相MRI输入提供了形状、纹理和相位差异特征。这些特征被组合后发送到残差密集多模态融合网络中。密集特征传播提高了分类和分割性能。该设计确保了可以结合跨模态和相位特定信息来诊断肝癌。

3.1. 数据采集和数据预处理
WAW-TACE数据集[31]包含了233名接受TACE治疗的HCC患者的多个3D增强CT扫描。每个病例的原始（对比前）、动脉、静脉和延迟相位扫描都以NIFTI格式保存。该数据集还包括每个扫描的3300多个放射组学特征，用于测量形状、强度和纹理。详细临床数据中还包括人口统计信息、治疗反应和生存结果。按相位标记有助于基于增强效果进行病变特征化，该数据集支持多种分割和分类方法的学习。同样，LiverHccSeg数据集包含了来自[32]的HCC患者的多相MRI扫描。如前所述，每个病例包括四个对比相位，以NIfTI格式存储并进行了配准，以便进行实际的相位级分析。为了保证输入数据的一致性和可靠性，实施了全面的预处理流程。首先，CT和MRI图像被缩小到固定的空间分辨率，然后标准化到统一的强度范围。接着使用高斯滤波器进行降噪处理，以提高病变的可见性。手动验证和裁剪感兴趣区域（ROIs），以专注于肝脏区域。下一步是将所有图像标准化为通用格式，以便于多模态融合，并确保所提出的框架可重复。关键序列包括T1动态增强（DCE）、T2快速自旋回波（FSE）和扩散加权成像（DWI）的表观扩散系数（ADC）图，以及由两名认证放射科医生进行的手动肝脏和肿瘤分割，还包括图2中讨论的患者和相位序列的评分者间一致性分析。

为了确保可重复性和可靠的评估，数据集被划分为训练（70%）、验证（15%）和测试（15%）三个子集，使用分层随机抽样来保持所有相位之间的类别平衡。所有实验都进行了五次独立运行以最小化方差。统计评估使用了关键性能指标，包括准确率、精确度、召回率、F1分数和Dice相似系数（DSC）。此外，计算了95%的置信区间以评估性能改进的统计显著性。数据集中有233名患者，他们有377个手绘的肝脏肿瘤分割，涵盖四个肝脏CT相位：平面、动脉、静脉和延迟，如表2所示。图像和肿瘤掩膜以NIFTI和NRRD格式保存。器官掩膜是使用深度学习模型生成的，每个相位包含3,339个放射组学特征，包括一阶统计信息、形状描述符和灰度纹理特征。数据集还包括人口统计信息、生存数据、TACE结果和治疗元数据等临床特征。

表2. 数据集摘要。

| 属性 | 值 | |
|---------------|---------------|-------------------------|
| 总患者数 | 233 | |
| 肿瘤分割数量 | 377 | 手工绘制的肝脏肿瘤掩膜（特定相位） |
| CT相位 | 4（平面、动脉、静脉、延迟） | |
| 图像格式 | NIFTI（神经影像信息技术倡议） | |
| 肿瘤分割格式 | NIFTI（按评分者和肿瘤/肝脏区域命名） | |
| 器官掩膜 | 深度学习生成（按分割器分类） | |
| 放射组学特征 | 每相位3,339个特征（一阶、形状、灰度纹理） | |
| 临床变量 | 表格数据（人口统计、生存、TACE结果、治疗元数据） | |
| 模态 | 多相增强CT和多相增强MRI | |
| 放射学标签 | LI-RADS分类每个病变 | |

数据集的公开可用性：
- https://zenodo.org/records/12741586 [31]
- https://zenodo.org/records/8179129 [32]

重采样：每个CT体积使用三线性插值（trilinear interpolation）重采样到固定的体素间距1 mm × 1 mm × 1 mm，以确保所有扫描的空间分辨率一致，从而为深度学习提供统一的输入大小，即Xresampled=ResampleX,target_spacing。

WAW-TACE数据集中的每个CT相位i∈P,A,V,D和Frad(i)∈R3339，每个向量包含18个一阶统计量（如平均值和熵）、14个形状特征（包括体积和球形度）以及使用GLCM的纹理特征。CT体积的3D正交视图使用3D Slicer可视化，显示红色（轴向-顶部-底部）、绿色（冠状-前后）和黄色（矢状-左右）平面，提供解剖视图。MRI序列包括多个增强相位，并使用非刚性3D B样条配准与动脉相位对齐，以确保相位间的解剖对齐。然后对序列进行中心裁剪并填充到224 × 224 × 128大小，以适应EfficientNet的输入要求。

（1）Xreg(i)=RegisterX(i),Xarterial;
Yres(i)=ResampleY(i),target=(1,1,1)
Z-score：通过居中和缩放数据来稳定训练，提高收敛速度和泛化能力，其中强度值按方程（2）进行标准化：
(2)X′=X-μX≠0σX≠0;
Y～(i)=Y(i)-μY(i)≠0σY(i)≠0,i∈T1,T2,DWI
其中X表示原始体素强度值，σX≠0和μX≠0表示CT图像中非零体素强度的标准差，有助于减少扫描间的强度变化并保持对比度动态。

模态特定特征提取：
预处理后的CT图像通过ResNet3D提取高级特征图H′×W′，平面分辨率的高度和宽度为512 × 512，D′表示切片数量为128，通道1表示R1×512×512×128。对于输入x，使用核K∈Rk×k×k×cin×cout和步长/填充控制进行3D卷积（conv3D），实现空间下采样。

（3）F(i)=EiX(i)∈RC×H′×W′×D′
（4）Conv3Dxc′×i×j×k=∑c=1Cin∑u,v,wKu,v,w,c,c′?xc,i+u,j+v,k+w+bc′
根据方程（3）和（4），模型提取称为边缘的低级特征，这些边缘具有7×7×7的大空间上下文和2的步长，用于下采样，并以X1∈R64×256×256×64的形式表示输出。

（5）X1=ReLUBNConv3D7×7×7,stride=2
X2=MaxPool3D3×3×3
X1∈R64×128×128×32
根据方程（6），ResNet模型有效地捕捉了肝脏实质在检测肝硬化时的异质性。最大池化减少了计算负担，同时保留了血管结构，并下采样特征图以减少空间大小并聚焦于关键特征。每个ResBlock包含瓶颈层，实现并捕获浅层和中间层空间语义。残差块2通过堆叠特征输出增加了更多上下文和复杂性，开始建模肝脏的形状和结构。

（7）ResBlockx=x+F(x)Fx=W2?ReLUBNW1?x
其中F在方程（7）中是一个瓶颈，W1,W2为1×1×1的卷积，用于通道调整。在块1中，X2∈R64×128×128×32包含3×3×3的深度卷积，投影为1×1×1的卷积，称为64通道，如图3所示。输出X3∈R64×128×128×32，增强了与肿瘤边界清晰度相关的边缘。残差块2用于下采样，步长为2×2×2，在第一个3×3×3卷积中，输出X4∈R128×64×64×64，提供了动脉相的超增强模式。

（8）X3=ResBlock1X2:R64→R64
X4=ResBlock2
DownsampleX3
X5=ResBlock3X4,ResBlock3:R128→R256
FiCT=X5

图3. 基于CT的HCC诊断的ResNet架构。最终的特征图聚合包括FiCT=X5∈R256×32×32×8，它具有关键特性，例如高维的多相动态表示，通道数为256，空间分辨率为32×32×8，这在解剖学上是有意义的。MRI强度在不同的扫描仪和协议（如T1和T2）中差异显著。通过使用SqueezeNet优化的EfficientNet，可以学习增强有信息量的通道（如动脉灌注），并抑制无关的通道（如运动伪影），如图4所示。下载：下载高分辨率图像（167KB）下载：下载全尺寸图像图4. 使用MRI图像处理进行肝癌诊断的总体工作流程。三个维度同时通过复合系数φ进行优化，定义为：深度d=α?，宽度w=β?，分辨率深度r=γ?，其中α·β2·γ2≈2。多序列特征融合使用预序列编码，如方程（9）、（10）所示：FT1=ET1YT1，FT2=ET2YT2，FDWI=EDWIYDWI（10）αi=softmaxWaFT1;FT2;FDWI,i∈T1,T2,DWI，其中Ei表示序列特定的EfficientNet编码器，后接跨序列注意力。每个MBConv3D块包含六个连续操作，其中扩展卷积（1×1×1）增加通道维度以捕获更丰富的特征，t作为扩展比率，考虑为4以避免输入过参数化，如方程（11）所示。（11）Xexp=SiLUInstanceNorm3dConv3D1×1×1C→t?CX（12）Xdw=SiLUInstanceNorm3dDepthwiseConv3Dk×k×kXexp3×3，深度卷积k×k×k在保持通道独立性的同时空间聚合特征，如方程（12）所示。表3中讨论的MBConv块是EfficientNet的核心构建组件，结合了深度可分离卷积和前向传递中的输入X。主干输出112×112×64具有32个通道，提供了伪影检测的临床相关性，随后是第3阶段（低）28×28×16具有40个通道，分析肿瘤边界?T。第4阶段提取血管侵犯，MBConv第7阶段显示诊断出的肝癌的恶性特征。血管侵犯预测确定肿瘤是否侵犯附近的二值掩码血管V，这对于手术风险和分期至关重要，并使用方程（13）和（14）计算出可能的侵犯高分数。（13）Dmin=minp∈?T,q∈V‖p-q‖；Invscore=exp-αDmin（14）Dx,y,z=-minv∈V‖x,y,z-v‖ifinsidevesselmask+minv∈V‖x,y,z-v‖otherwise表3. 基于MBConv3D的主干架构阶段。块类型C分辨率内核大小SE比率重复1MBConv1（无扩展）32→16112×112×64（3, 3, 5）?12MBConv416→2456×56×32（3, 3, 5）823MBConv424→4028×28×16（3, 3, 5）824MBConv440→8014×14×8（5, 5, 3）835MBConv680→1127×7×4（5, 5, 3）836MBConv6112→1927×7×4（5, 5, 3）847MBConv6192→3207×7×4（5, 5, 3）81全局自适应池化为每个患者生成一个1280维的特征向量，动态重新校准通道特征的重要性。内核选择，早期层k=(3,3,5)优先考虑平面内特征以适应薄切片，后期层k=(5,5,3)捕获跨切片特征集成上下文。早期块r=8用于处理低对比度病变的激进压缩，后期块r=4平衡计算和特征区分。图5中第2阶段的MBConv4和第5阶段的MBConv操作用z作为通道c激活的标量摘要进行分析。称为自适应重新校准的激励模块使用两个全连接层W1∈R4Cr×4C通过压缩降低维度，W2∈R4C×4Cr恢复维度称为扩展。此外，重新加权过程使用s≈1增强诊断上关键的通道，如动脉灌注，s≈0抑制噪声/伪影。RD-MFNet辅助肝癌诊断的伪代码输入：多相CT体积X(P),X(A),X(V),X(D)∈RH×W×D，MRI体积Y(T1),Y(T2),Y(DWI)∈R1×H×W×D，放射组学特征Rk∈Rn，δ(i)∈0,1输出：诊断结果M^liv,M^tum,y^1：开始2：# 使用残差密集块进行相位CT特征编码3：对于i在P,A,V,D中执行4：如果δ(i)==1则5：F(i)←EiX(i)6：对于l=1到L执行7：H0←X(i)8：Hl=Hl-1+Cov3DlReLUBNH0,H1,..,Hl-19：结束对于10：endif11：结束对于12：# 使用MBConv-SE块进行MRI模态特定编码13：对于j在{T1,T2,DWI}中执行14：X←Y(i)；Xdw←DepthwiseConv3Dk×k×kXexp15：z←GAPXdw16：s←σW2ReLUW1z17：Xse←s⊙Xdw18：Xout←Conv3D1×1×1t·C→C′XSe+Proj(Xin)19：FjMRI←EfficientNetjXout20：结束对于21：# 条件多模态特征融合22：Ffused←ConcatF(P),F(A),F(V),F(D)23：如果任何δ(i)==0则24：Ffused←∑i=14MiCT⊙FiCT+∑i=14MjMRI⊙FjMRI∑MiCT+∑MjMRI25：结束如果26：# 来自ROI的全局放射组学统计27：μ=1N∑i=1NIi；熵=-∑pilogpi28：# 分割头部29：M^liv,M^tum=σConv3Dseg(Ffused)30：# 分类头部31：fglobal←GlobalAvgPool(Ffused)32：y^←softmaxFCGlobalAvgPoolFfused33：返回M^liv,M^tum,y^34：结束上述伪代码概述了所提出的RD-MFNet技术的工作原理，该技术采用深度多模态融合框架来整合多相CT和多序列MRI数据进行肝癌诊断。它首先使用堆叠的残差密集块从每个CT相位获取层次特征。为了便于理解和辅助亚型分类，还提供了全局放射组学统计信息。最后，模型同时校正肿瘤和肝脏分割以及亚型分类，帮助医生做出一致和可靠的次要诊断。下载：下载高分辨率图像（166KB）下载：下载全尺寸图像图5. EfficientNet3D-SE架构阶段和通道进展。图6展示了EfficientNet3D-SE模型利用MRI-T1和T2输入进行肝脏肿瘤分析的渐进式特征提取工作流程。前三个阶段去除伪影，勾勒肿瘤轮廓，并编码边界。第4-5阶段揭示血管侵犯和恶性，而第6-7阶段改进肿瘤核心并获得一般恶性信号。SE模块在特征图中突出显示诊断模式，如动脉相位和灌注效应。SE模块使用全局平均池化和两个全连接层调整通道属性。最终的特征图和SE加权输出提高了肿瘤特定的表示，以便于分割和分类。（15）z=GAPXdw；1HWD∑i,j,kXdwi,j,k（16）s=σW2ReLUW1z,W1∈R4Cr×4C,W2∈R4C×4Cr（17）Xse=s⊙Xdw（18）Xout=Conv3D1×1×1t·C→C′XSe+Proj(Xin）（19）fglobal=1Ω∑i,j,k∈ΩFfinal:,i,j,k,Ω=1:H32×1：W32×1：D32下载：下载高分辨率图像（382KB）下载：下载全尺寸图像图6. 使用EfficientNet-SE加权的基于MBConv的多阶段特征提取概述。方程（15-19）应用MRI特定的降低比率r=8来处理低对比度病变。跳跃连接使用残差学习稳定梯度。如果C=C′，则应用投影；否则，它执行身份映射。使用梯度平均池化GAP处理可变的肝脏大小，sigmoid激活防止过饱和。3.2. 残差密集块多模态融合块3.2.1. 相位特定编码器每个输入相位X(i)∈R1×H×W×D通过专用编码器Ei处理，其中i∈P,A,V,D，由多个堆叠的残差密集块组成：（20）F(i)=EiX(i)=RDBn?RDB2RDB1Xi∈RC×H′×W′×D′方程（20）中的每个RDB块使编码器能够通过结合局部和上下文表示来提取多级层次特征，同时确保通过密集和残差连接有足够的梯度流。它使用方程（21）定义，如下所示。（21）H0=X(i)Hl=Hl-1+FH0,H1,..,Hl-1Fz=Cov3DlReLUBNz其中Hl∈RCl×h×w×d表示层l的输出，?表示通道级连接，F?表示BatchNorm ?ReLU?, Conv3D的形式，采用1×1卷积与BN+ReLU。它连接所有之前的层输出H0,H1,..,Hl-1以实现多尺度特征重用，并确保稳定的梯度流。3.2.2. 多模态特征融合一旦处理完所有四个相位编码器，它们的特征图被连接并通过方程（22）中提到的融合模块处理。（22）Ffused=?F(P),F(A),F(V),F(D)=Conv3DfusionConcatF(P),F(A),F(V),F(D)∑i=14MiCT⊙FiCT+∑i=14MjMRI⊙FjMRI∑MiCT+∑MjMRI?∑i∈P,A,V,DδiFi,其中δi=0如果相位i缺失其中MiCT,MjMRI∈0,1表示相位/模式的存在指示器，FiCT,FjMRI是每个编码器的特征图，条件扩展用于实现相位感知的体积融合，从而模拟肝癌的复杂相位对比度和异质性行为模式，从而有助于分类和分割决策。在这里，如果一个或多个相位体积缺失，则使用条件掩码向量δi∈0,1。对于肝癌诊断的亚型分类，让Rk∈Rn是ROI k的手工特征向量，包括使用方程（23）分析的直方图特征。（23）μ=1N∑i=1NIi；熵=-∑pilogpi3.2.3. 多任务分割与分类头部分割是量化病变大小、体积和位置的基本步骤，这些是关键的诊断特征。此过程涉及增强精确的病变和器官边界，以便准确分割HCC和周围肝脏组织，如方程（24）、（25）所计算。（24）M^liv,M^tum=σConv3Dseg(Ffused）（25）y^=softmaxFCGlobalAvgPoolFfused所提出的研究引入了RD-MFNet，它使用多相CT和多序列MRI数据来辅助肝癌诊断。Sigmoid激活产生二值图并预测肝脏和肿瘤的掩码，有助于辅助诊断和体积估计。ResNet3D按相位编码，提取血管和灌注特征，而EfficientNet3D-SE按通道激发增强特征。使用条件多模态体积融合和残差密集块，结合了模态特定属性。这有助于处理缺失的序列和相位差异。我们使用多任务头部来分离肝脏和肿瘤区域，并定义融合的特征亚型。该模型使用放射组学、手工特征和深度学习来提供相位感知的诊断预测。3.3. 实现和计算环境所提出的基于深度学习的肝脏肿瘤检测和分割框架是使用Python 3.9编程语言实现的。模型开发和实验使用了TensorFlow（版本2.10）和Keras（版本2.10）深度学习库。还使用了NumPy、Pandas和OpenCV等工具进行图像预处理、增强和数值计算。训练结果和性能指标的可视化通过Matplotlib和Seaborn包实现。计算实验在配备了NVIDIA GeForce RTX 3090 GPU（24 GB内存）、Intel Core i9-12900 K处理器和64 GB DDR5 RAM的高性能工作站上执行，操作系统为Ubuntu 20.04 LTS。系统设置确保了GPU的优化利用并加速了训练期间的模型收敛。所提出的模型使用公开可用的Liver Tumor Segmentation（LiTS）数据集进行训练和评估。该数据集提供了增强对比度的腹部CT扫描以及手动注释的肝脏和肿瘤区域的分割掩码。它是评估肝脏病变分割算法的最广泛认可的基准之一，并已在多个相关研究中使用。可以从以下链接访问LiTS数据集：https://competitions.codalab.org/competitions/17094。为了确保所提出方法的透明度和可重复性，作者记录了所有预处理步骤、超参数设置和网络配置。源代码，包括模型架构、训练脚本和评估流程，将在本文被接受后通过GitHub仓库公开。这将使其他研究人员能够复制结果并将该框架扩展到医学图像分析的相关应用中。4. 实验实现和结果4.1. 训练和验证在NVIDIA RTX 4090 GPU上进行推理，批量大小为一，FLOPs针对输入大小224×224×128计算，适用于CT和MRI体积的3D模型训练。使用≥128 GB RAM的高内存进行高效的数据加载和预处理。软件堆栈包括Python 3.9、PyTorch≥1.12和CUDA≥11.6，用于深度学习框架，应用于MRI输入的肝癌辅助诊断。预处理和增强技术使用了SimpleITK、OpenCV和3D Slicer工具等库。表4中给出的超参数设置旨在在模型的复杂性和其使用CT和MRI诊断肝癌的泛化能力之间取得平衡。ResNet与残差密集块和挤压-激发在捕获CT特征方面表现良好，而EfficientNet与挤压-激发和序列融合学习了功能性MRI模式。余弦学习率调度和热身使训练更加稳定，并帮助其更快收敛。随机深度和数据增强使模型更能抵抗过拟合。参数确保平面内和跨切片数据结合以准确描述肿瘤。表4. 辅助肝癌诊断的超参数配置。超参数CT设置（ResNet + RDB + SE）MRI设置（EfficientNet + SE + fusion）目的主干ResNet-50 + 残差密集块EfficientNet-B0（3D）+ SE + fusion深度足以满足特征层次；融合实现多序列学习学习率调度热身10个周期→余弦退火（峰值1e-3）热身10个周期→余弦退火（峰值1e-3）防止梯度尖峰+稳定收敛初始学习率1.00E-031.00E-03在消融中找到的最佳折中权重衰减5.00E-025.00E-02控制过拟合而不过度正则化优化器AdamWAdamW将权重衰减与学习率解耦批量大小88内存适合3D体积，同时稳定BNAugmentations翻转、旋转、擦除翻转、旋转、擦除有助于泛化，对抗小数据集大小Dropout / 随机深度0.3（随机深度）0.3（随机深度）减少过拟合，提高鲁棒性。减少比率（SE）r=8r=8平衡重新校准强度+参数效率复合系数φ（EffNet）?φ = 1（α=1.2,β=1.1,γ=1.15）在不导致过参数化的情况下缩放深度、宽度和分辨率内核大小（MBConv 3D）?早期：（3×3×5），后期：（5×5×3）平面内+跨切片上下文优化训练周期数200200在热身+余弦LR后足以收敛4.2. 辅助诊断任务性能比较基准方案，如CBAM [15]、MUCM-FLLs [20] 和 SDR-Former [26]，用于比较分析。SDR-Former [26] 是一个强大的多模态基准，它利用多相CT和MRI并采用基于变压器的融合。这使其在结构上类似于RDMFNet。MUCM-FLLs [20] 基于超声波，但它显示出良好的模态间权重和高诊断准确性。CBAM [15] 是一个仅基于CT的3D注意力模型，作为基线，用于展示RDMFNet在整合其他模态数据方面的表现。这些模型共同使得能够公平评估诊断性能、融合架构和模态类型相对于RD-MFNet。4.2.1. 分割评估研究使用DSC作为评估CT和MRI相位中肝癌分割效果的主要方法。所提出的RDMFNet结合了ResNet（用于CT）和EfficientNet-SE（用于MRI）与残差密集多模态融合，一致地优于其他方法（CBAM、MUCM-FLLs、SDR-Former）。该框架在动脉和静脉相位获得了更好的Dice分数。这表明它可以更好地捕获肿瘤边界和血管侵犯。通过关注对诊断重要的特征并减少错误分割，结合了模态特定编码器、挤压-激发和密集特征传播，提高了与真实值的重叠。这表明RD-MFNet在低对比度（普通）和高动态动脉和静脉相位中都很稳健，这对于准确的肝癌检测至关重要。所提出的RDMFNet在所有相位上的DSC值都高于SDR-Former（大约高出4-7%）和CBAM（大约高出7-12%）（图7）。分析利用残差密集多模态融合有效结合了CT和MRI信息。ResNet主干网络结合残差密集块，能够捕捉CT扫描中的结构和血管模式。同时，EfficientNet-SE通过自适应地加权信息通道（包括动脉灌注）来关注重要的MRI相位信息。下载：下载高分辨率图像（120KB）下载：下载全尺寸图像图7. 分割评估。4.2.2. 分类评估ROC曲线展示了各种模型的实际阳性率（TPR）和假阳性率（FPR）。所提出的RD-MFNet（全CT/MRI）优于基线模型，CT的AUC为0.96，MR的AUC为0.97。CT流程使用了针对边缘和边界识别进行微调的ResNet主干网络，这是准确映射肿瘤-血管界面的关键步骤。MRI分支使用EfficientNet主干网络，在参数效率和分辨率深度之间实现了最佳平衡。这使得它能够处理强度变化和特定模态的伪影。残差密集卷积块结合了CT和MRI信息，有助于在训练过程中聚合丰富的跨尺度上下文和改善梯度流动。消融版本显示出AUC的明显下降，表明了厚融合层和特定模态编码器的重要性。SDR-Former、MUCM-FLLs和CBAM模型的表现不如集成模型，这证明了所提出的设计在捕捉全局上下文和细微病变细节方面更为有效。这些ROC曲线表明，RD-MFNet模型架构与CT和MRI的成像物理特性一致，从而在所有模态下显著提高了肝癌检测能力。图8展示了四种诊断模型（CBAM、MUCM-FLLs、SDR-Former和RD-MFNet）的比较性能。这些模型基于三个关键指标进行评估：敏感性、特异性和曲线下面积（AUC）。敏感性用条形图表示，而曲线下面积（AUC）值用绿线显示。根据研究结果，所提出的RD-MFNet在所有指标上均达到了最高值。其敏感性和特异性均高于0.93，曲线下面积（AUC）约为0.96。这表明RD-MFNet相比当前使用的其他方法具有更高的诊断稳健性和可靠性。进一步强调的是从CBAM到RD-MFNet的性能提升，这一点通过AC线的逐渐上升趋势得到了突出显示。下载：下载高分辨率图像（169KB）下载：下载全尺寸图像图8. RD-MFNet与基线模型的比较性能。4.2.3. 敏感性/特异性统计分析显示，RD-MFNet在敏感性、特异性和AUC方面优于CBAM [16]、MUCM-FLLs [22] 和 SDR-Former [28]。Welch's t检验的Bonferroni校正表明这些改进在统计上是显著的（p < 0.05 至 p < 0.001）。Cohen's d效应量表明RD-MFNet与其他模型在肝癌诊断方面的性能差异显著（p < 0.00，用***表示）。小提琴图显示RD-MFNet具有更高的中位数和更一致的性能。特异性分析中p < 0.01的结果非常显著。这些结果表明，模型的技术改进，如残差密集多尺度融合和优越的特征聚合，提高了其诊断准确性。RD-MFNet既更准确又更可靠。统计证明表明这些改进并非随机变化。这证明了RD-MFNet的架构是合理的。所提出的方法是导致模型更好结果的原因。总体而言，RD-MFNet在肝癌诊断方面代表了重大进步。4.2.4. GradCAM可视化图9展示了新增/肝癌诊断系统中CT、MRI-T1和MRI-T2模态的Grad-CAM可视化结果。CT图像热图显示了基于ResNet的网络结合残差密集块寻找肿瘤的区域。MRI-T1和MRI-T2热图表明EfficientNet-SE有效捕捉了特定相位的血管和实质模式，这对于识别肝癌至关重要。模型学习特定模态信息特征的能力体现在其主要关注动脉灌注和周围肿瘤区域。挤压-激励方法的结合动态增强了诊断所需的通道，同时消除了伪影。这些图表表明模型强调了各种类型数据中的关键解剖结构。结果表明，放射组学特征融合有助于分割和分类决策。下载：下载高分辨率图像（141KB）下载：下载全尺寸图像图9. 肝脏图像的原始轴向切片及其对应的Grad-CAM可视化结果（左：MRI-T1，中：MRI-T2，右：CT）。顶部行显示原始图像，底部行显示Grad-CAM热图，突出显示了对辅助诊断相关的肝脏区域的关注。4.2.5. Dice相似系数得分分析图10比较了三种医学成像模态（MRI-T1、MRI-T2和CT）区分肝癌的能力。每种模态的原始图像显示在顶部行。分割结果显示在底部行，轮廓显示了真实边界和预期的肿瘤边界。每个图像的DSC得分写在其上。这是一种测量分割准确性的标准方法。MRI-T1图像的DSC为0.89，MRI-T2图像的性能最好，DSC为0.93，CT扫描的DSC为92.3（十进制表示为0.923）。这些结果表明，由于其优越的软组织对比度，MRI-T2在突出肿瘤边缘方面表现更好。另一方面，CT扫描仍然表现良好，因为它们具有更精确的结构边界，尽管在区分软组织方面表现不佳。这项研究支持将各种类型的输入整合到肝癌诊断系统中的概念，例如计划的RD-MFNet，它利用了MRI和CT扫描的优势。通过结合多种模态，分割变得更加稳健和准确。这使得自动化的肝脏肿瘤分析系统在诊断中更加可靠，临床应用也更加有用。下载：下载高分辨率图像（145KB）下载：下载全尺寸图像图10. MRI-T1、MRI-T2和CT图像上的肝癌分割结果及其对应的DSC。4.3. 可量化结果和讨论处理缺失相位并提供不确定性量化能力使其特别适合实际临床应用，因为在实际应用中成像协议可能有所不同，临床决策需要信心评估。消融结果一致表明，多模态集成和跨相位的渐进融合对于最佳性能至关重要。表5中的消融研究表明，多模态和多相位融合对RD-MFNet的性能至关重要。整个模型（CT + MRI，多相位）实现了最佳的DSC（92.3 ± 1.2%）和AUC（97.5 ± 0.4%），表明其在分割和分类肝癌方面表现良好。移除多模态输入（仅CT或仅MRI）降低了准确性、敏感性和特异性，强调了CT和MRI的互补性。后期融合的表现不如早期融合，表明早期理解联合特征至关重要。未经对比剂的原始（普通）CT和MRI输入的性能最低。这说明了动脉、静脉和延迟相位数据对于准确诊断和治疗的重要性。RD-MFNet始终优于基准模型，包括CBAM、MUCM-FLLs和SDR-Former。这些结果表明RD-MFNet的融合策略设计得很好。该模型从不同模态和相位中获取了空间和功能信息。消融研究为多模态、多相位早期融合是最有效的方法提供了有力支持。这支持了RD-MFNet作为一个技术先进且临床有用的框架。表5. 消融研究。模型变体输入模态 & 相位DSC (%)HD (mm)AUC (%)敏感性 (%)特异性 (%)准确性 (%)RD-MFNet（无多模态）仅CT（动脉/静脉/延迟）85.7 ± 1.54.4 ± 0.493.2 ± 0.687.0 ± 1.383.8 ± 1.885.5 ± 1.3RD-MFNet（无多模态）仅MRI（动脉/静脉/延迟）86.9 ± 1.44.2 ± 0.494.0 ± 0.588.2 ± 1.184.5 ± 1.686.3 ± 1.1RD-MFNet（后期融合）CT + MRI（动脉/静脉/延迟）88.0 ± 1.34.0 ± 0.494.5 ± 0.589.8 ± 1.285.9 ± 1.787.5 ± 1.2RD-MFNet（普通CT）CT（原始/普通）78.5 ± 2.05.2 ± 0.589.0 ± 0.880.0 ± 2.075.0 ± 2.278.0 ± 1.8RD-MFNet（普通MRI）MRI（原始/普通）79.2 ± 2.15.0 ± 0.589.5 ± 0.781.2 ± 1.976.0 ± 2.178.5 ± 1.9CBAM（仅CT）CT（动脉/静脉/延迟）82.0 ± 1.75.0 ± 0.591.0 ± 0.785.0 ± 1.578.0 ± 2.082.0 ± 1.5MUCM-FLLs超声84.5 ± 1.84.7 ± 0.592.2 ± 0.686.5 ± 1.480.0 ± 2.083.0 ± 1.5SDR-FormerCT + MRI（动脉/静脉/延迟）90.5 ± 1.23.5 ± 0.496.0 ± 0.492.0 ± 1.188.0 ± 1.690.0 ± 1.1RD-MFNet（全）CT + MRI（动脉/静脉/延迟）92.3 ± 1.23.1 ± 0.397.5 ± 0.494.0 ± 1.090.5 ± 1.593.0 ± 1.04.4. 模型不确定性分析为了确保所提出框架的可靠性和稳健性，使用了蒙特卡洛dropout技术进行了模型不确定性分析。在推理过程中，保持dropout层激活，并将每个测试样本多次通过网络（N = 30）以生成预测概率的分布。平均值代表最终预测，而这些重复预测的标准差被计算为不确定性估计。较高的标准差表示更大的不确定性，表明模型对相应预测的信心较低。这项分析提供了模型预测稳定性的定量度量，并为所提出的多模态融合网络的可靠性提供了有价值的见解，特别是在肝癌检测的关键诊断决策中。4.5. 讨论使用Grad-CAM可视化创建了影响所提出的RD-MFNet模型分类结果的MRI图像区域的热图，以提高可解释性和透明度。这些热图显示，RD-MFNet通过关注临床相关的肿瘤点而不是非诊断背景区域来学习重要的空间和纹理属性。将Grad-CAM图与真实分割结果进行比较表明，模型的注意力与识别的肿瘤点紧密匹配，验证了其决策逻辑并支持其在实际诊断应用中的可靠性。放射科医生可以直观验证算法的逻辑与医学上重要的结构相匹配，从而增强了临床信任。Grad-CAM结果的开放性使得AI辅助决策更加可靠，使模型成为可解释的诊断工具。在医学成像中，可解释性至关重要，因为理解模型为何做出某个预测与预测本身同样重要。与最先进的模型相比，定量结果显示所提出的RD-MFNet具有更好的诊断准确性。网络在所有评估指标上都有显著提升（p < 0.001），包括Dice相似系数（DSC）增加了12%，Hausdorff距离（HD）减少了37%。该模型实现了最高的DSC（92.3 ± 1.2%）和AUC（97.5 ± 0.4%），证明了其在肝癌分割和分类方面的准确性。这些发现表明RD-MFNet提高了分割准确性，并产生了临床可解释的输出，帮助放射科医生检测、规划和监测疾病。模型的定量性能和定性可视化表明其在技术上是可靠的，适用于肝癌诊断。5. 结论通过提供一致、准确且可解释的决策支持，RD-MFNet架构有效地解决了当前临床肝癌检测中存在的主要缺陷。通过结合特定相位的编码器和深度融合机制，它能够在广泛的临床成像情况下提供稳健的诊断性能，同时保持与现有放射工作流程的兼容性。由于模型的强大分割和分类结果（DSC：92.3 ± 1.2%，AUC：97.5 ± 0.4%），它有潜力作为辅助诊断工具在临床环境中使用，为放射科医生提供早期肿瘤诊断、分期和治疗计划的帮助。从临床角度来看，所提供的框架有可能减少手动图像解释中的主观性，并提高肿瘤勾勒的可重复性。这两点对于增强诊断信心和改善患者结果至关重要。另一方面，现有限制包括使用来自单一机构的数据集、样本的多样性有限，以及典型临床环境中缺乏实时推理验证。预计未来的研究将集中在通过结合其他成像序列、临床特征和来自多个机构的数据来扩大多模态整合的范围。这将确保研究结果在更实际的环境中适用。在现实医疗环境中，这些修改的目的是将RD-MFNet建立为一个值得信赖的平台，借助人工智能实现全面的肝癌管理。cRediT作者贡献声明王岩：写作——审阅与编辑，概念化。王石：写作——原始草稿，形式分析，数据管理。潘文娟：写作——原始草稿，可视化，软件，研究。叶世平：写作——原始草稿，可视化，监督。王金明：写作——原始草稿，可视化，监督，项目管理。Ghulam Abbas：写作——审阅与编辑，写作——原始草稿，研究。Amr Yousef：写作——原始草稿，项目管理，资金获取，形式分析。Ezzeddine Touti：写作——原始草稿，监督，研究，形式分析，概念化。