论文部分内容阅读
目的:探究基于多序列磁共振(magnetic resonance,MR)的深度学习模型自动分割感兴趣区(region of interest,ROI),并对慢性乙型肝炎(chronic hepatitis B,CHB)肝纤维化(liver fibrosis,LF)诊断及分期的应用价值。方法:收集2015年1月至2018年12月共304例临床确诊为慢性乙型肝炎患者的临床资料(性别、年龄等)、血清学结果(血常规、HBV DNA、乙肝两对半、肝功能等)、肝穿活检的病理结果以及穿刺前后7日内完成标准化扫描的MR图像(T2加权、T2加权压脂序列以及T1加权增强扫描的延迟期)。患者年龄范围16-86岁,平均40.34±11.62岁,男213例,女91例。由两名影像科诊断医生手动分割肝Ⅵ段,再将多序列MR图像输入到模型中,在肝内进行自动分割ROI,比较自动分割和手动分割的结果。将数据按7:3随机分为训练集(213例)和验证集(91例),将训练集数据用于深度学习卷积神经网络模型的构建,验证集数据用于检验模型对肝纤维化分期的诊断效能,最终绘制受试者工作特征曲线(receiver operating characteristic,ROC)评估单独临床指标、单独MR图像、MR图像-临床指标联合模型以及单序列模型和多序列融合模型在慢性乙型肝炎肝纤维化中的诊断效能,计算并比较进展期纤维化(≥S2)和显著性纤维化(≥S3)的计算曲线下面积(area under the curve,AUC)、准确度、敏感度和特异度。结果:通过深度学习模型自动分割ROI,45秒内可以自动分割约2000张图像,多序列联合的MR图像分割结果高达0.85。在进展期纤维化(≥S2),单独临床指标、单独MR图像以及MR图像-临床指标联合模型的AUC值分别为0.6618、0.5516、0.7544,准确度分别为0.6703、0.5312、0.6909,敏感度分别为0.6935、0.5321、0.6912,特异度分别为0.6207、0.5309、0.6908;在显著性纤维化(≥S3),单独临床指标、单独MR图像以及MR图像-临床指标联合模型的AUC值分别为0.7466、0.6654、0.7810,准确度分别为 0.7912、0.6143、0.7285,敏感度分别为0.5152、0.6146、0.7289,特异度分别为0.9483、0.6139、0.7281。MR图像-临床指标联合模型的AUC在三个模型中最高;在进展期纤维化(≥S2),单序列模型(T2加权、T2加权压脂序列以及T1加权增强扫描的延迟期)和多序列融合模型的AUC值分别为0.7330、0.7010、0.7578、0.7544,准确度分别为0.6641、0.6462、0.6804、0.6909,敏感度分别为0.6654、0.6479、0.6892、0.6912,特异度分别为 0.6635、0.6454、0.6880、0.6908;在显著性纤维化(≥S3),单序列模型(T2加权、T2加权压脂序列以及T1加权增强扫描的延迟期)和多序列融合模型的AUC值分别为0.7902、0.7576、0.6999、0.7810,准确度分别为 0.7412、0.7061、0.6472、0.7285,敏感度分别为 0.7418、0.7087、0.6475、0.7289,特异度分别为 0.7389、0.6974、0.6462、0.7281。T2 加权压脂序列的 AUC、准确度、敏感度和特异度均低于T2加权、T1加权增强扫描的延迟期以及多序列融合模型。结论:基于多序列MR的深度学习卷积神经网络模型不仅可以提高ROI分割的效率;还对慢性乙型肝炎的肝纤维化分级具有一定的诊断价值,对早期肝纤维化具有一定的鉴别能力,为慢性乙型肝炎患者的治疗方案选择、疗效评估提供辅助手段。