典型文献
基于多模态MRI图像的3D卷积神经网络对肝纤维化分类的价值研究
文献摘要：
目的 构建并验证多模态MRI图像3D卷积神经网络(convolutional neural network,CNN)模型对肝纤维化(liver fibrosis,LF)分类的价值.材料与方法 回顾性分析经病理证实为LF,并行肝脏3.0 T MRI检查的224例LF患者的T1WI、T2WI、表观扩散系数(apparent diffusion coefficient,ADC)图像,按8:2的比例随机分为训练集和测试集.对图像进行预处理后,应用训练集图像对模型进行网络结构迭代训练,建立3D-CNN深度学习模型对无显著LF(S0～S1)、显著LF(≥S2)进行分类.经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成.训练完成后,用测试集数据对CNN模型进行测试,使用准确度(accuracy,ACC)曲线、损失函数(loss)曲线及受试者工作特征(receiver operating characteristic,ROC)曲线评价模型的性能.结果 基于多模态MRI的3D-CNN深度学习模型在训练集中对LF分类的ROC曲线下面积(area under the curve,AUC)值为0.94,在测试集中的AUC为0.98.结论 多模态3D-CNN深度学习模型可对无显著LF和显著LF进行分类,为LF的无创性评估提供更多选择.
文献关键词：
肝纤维化;多模态磁共振成像;机器学习;卷积神经网络
中图分类号：
作者姓名：
樊凤仙;胡万均;姜艳丽;邹婕;杨品;张静
作者机构：
兰州大学第二医院核磁共振科,兰州 730030;甘肃省功能及分子影像临床医学研究中心,兰州 730030
文献出处：
引用格式：
[1]樊凤仙;胡万均;姜艳丽;邹婕;杨品;张静-.基于多模态MRI图像的3D卷积神经网络对肝纤维化分类的价值研究)[J].磁共振成像,2022(09):30-34
A类：
B类：
肝纤维化,价值研究,convolutional,neural,network,liver,fibrosis,LF,材料与方法,T1WI,T2WI,表观扩散系数,apparent,diffusion,coefficient,ADC,训练集,测试集,迭代训练,深度学习模型,S0,S1,S2,卷积层,池化,全连接层,accuracy,ACC,损失函数,loss,受试者工作特征,receiver,operating,characteristic,area,under,curve,无创,多模态磁共振成像
AB值：
0.339386
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
