基于深度学习的多序列非增强MRI上局灶性肝病损的分割与检测

《Abdominal Radiology》：Deep learning-based segmentation and detection of focal liver lesions on multi-sequence non-contrast MRI

　　

摘要

目的

评估一种基于深度学习的人工智能（AI）模型在非增强 MRI（NC-MRI）上对局灶性肝病变（FLLs）进行多序列自动分割和检测的性能。

方法

共纳入 1010 例 NC-MRI 作为训练集，并收集 144 例连续 MRI 作为留出集。使用公开可用的 LLDMMRI-2023 和 CHAOS 数据集进行外部验证。纳入 T1WI、脂肪抑制 T2 加权成像（fsT2WI）和高 b 值弥散加权成像（DWI_High）。放射科医生在各单独序列上的标注作为参考标准。采用两阶段顺序 3D V-Net 进行 FLLs 分割。使用戴斯相似度系数（DSC）评估分割性能。如果模型预测掩膜与参考标准之间的 DSC 超过零，则认为检测到该病变。使用病变级别和患者级别的敏感性以及每个序列的假阳性病变数量评估检测性能。对于验证敏感性，如果在同一患者的任何其他序列上检测到某序列上的病变，则认为该病变为真阳性。根据病变大小进行亚组分析。病变首先使用 20 毫米阈值进行划分，然后分为四个大小组：<10 毫米、10–20 毫米、20–40 毫米和≥ 40 毫米。在外部验证集中进行了比较良性和恶性病变的亚组分析。

结果

FLLs 分割的平均 DSC 分别为训练集 0.535、留出集 0.590 和外部验证集 0.596。留出集中的敏感性在 T1WI、fsT2WI 和 DWI_High 之间范围为 0.794 至 0.882，所有验证敏感性均 > 0.93。在外部验证集中，敏感性分别为 0.688（0.640–0.732）、0.864（0.833–0.891）和 0.918（0.889–0.941），而验证敏感性分别达到 0.978、0.978 和 0.972。留出集每个序列的假阳性病变数为 0.50、1.94、1.42，外部验证集为 0.60、1.66、0.90。两个数据集的患者级别敏感性分别为 0.988 和 0.987。在外部验证集中，DWI_High 在 < 20 毫米和≥ 40 毫米亚组病变之间的敏感性显示出统计学显著差异（p < 0.001）。对于 fsT2WI，良性病变实现了优越的检测敏感性，在 10–20 毫米（p < 0.001）和 20–40 毫米亚组（p < 0.05）中有显著差异。对于 DWI_High，恶性病变在 < 10 毫米亚组中产生了更高的敏感性（p < 0.001）。

结论

基于深度学习的 AI 模型能够在 NC-MRI 上实现 FLLs 的自动分割和检测，在不同病变大小下均表现出可接受的性能。