论文部分内容阅读
目的利用基于迁移注意力机制和深度学习的人工智能(Artificial Intelligence,AI)算法对小肝癌患者的多组序列磁共振图像进行后处理及特征分析,探究不同序列间图像特征差异与联合应用,初步建立早期肝癌患者影像诊断的人工智能多模态模型并进行验证、机器学习。资料与方法建立人工智能模型的患者组图像来自手术或超声下穿刺病理证实的50例早期肝癌结节患者(图像为术前资料),结节共61个,结节均符合早期肝癌的临床诊断标准,模型对照组无肝病病史,无临床表现。以上所有患者及受试者均使用Siemens Skyra 3.0T及Philips Ingenia 3.0T超导MR磁共振采集图像,扫描内容包括MRI常规及增强扫描序列及IVIM、QSM特殊序列。T1WI脂肪抑制肝脏容积快速采集序列参数为:TR=3.1 ms,TE=1.5 ms,反转时间5.0 ms,反转角=150°,矩阵 320×256,层厚 5 mm,无间距扫描,FOV=40 cm×32 cm。T2脂肪饱和成像参数:TR=4064ms,TE=105ms,带宽500Hz/点,反转角度=150°,平行影像因子=2,扫描层数28层,每层6mm,矩阵256×256,像素1.3mm×1.3mm。获取图像后,在PACS工作站将所有患者的图像以DICOM格式导出,并对其进行编号存入文件夹。获取图像输入itk-snap v3.8软件进行ROI感兴趣区的分割,得到各序列二元图像,输出格式为.NTTFI格式,使用Python软件进行算法及程序编写,提取各组序列图像的特征(Features),比较各序列间特征提取差异,进行人工智能的图像模型建立。模型建立后随机选取100例患者图像,患者均在之前通过影像学检查手段诊断为疑似为肝内结节患者,分为机器组与医师组进行结节的诊断,并对患者的结果进行随访,分别获得两组诊断结果的敏感度,特异度,接受者操作特性曲线(ROC曲线)及AUC值,利用SPSS 26.0软件对相关数据进行统计学分析,结果以P<0.05认为差异具有统计学意义。结果肝癌模型组与健康模型组提取特征参数平均值为FS-T2WI(sHCC组34.85,健康对照组15.33)、DWI(sHCC组20.36,对照组10.01)、动脉期T1WI(sHCC 组 25.80,对照组 10.95)、静脉期 T1WI(sHCC 组 22.38,对照组11.96),分析组内及组间特征差异,满足正态分布。sHCC组T2WI与组内DWI、动脉期T1WI、静脉期T1WI差异具有显著统计学意义(p≤0.001),DWI、动脉期T1WI、静脉期三者组间差异统计学意义(p<0.01)。四个序列组间均存在明显差异(P≤0.001)由2名10-15年工作经验中高年资医师对100名疑似肝内结节患者图像进行结节筛查,并与机器组进行比较,结果为机器组假阳性率(3/71,0.04),假阴性率(1/42,0.02),敏感度93%,特异度89%,医师组(5/71,0.07),假阴性率(3/42,0.07),敏感度87%,特异度83%,机器组与医师组AUC值分别为0.914、0.844。结论1.通过基于深度学习算法的人工智能模型,可对小肝癌患者肝内结节图像进行有效特征提取,其中FS-T2WI序列特征提取结果具有优势。2.通过机器组与医师组进行肝内结节的比较,机器组在诊断小肝癌尤其是微小肝癌(结节最大径≤lcm)具有更好的准确性,并能够进行有效的机器学习。