来源：MedSci原创
作者：shaosai
本研究旨在探讨深度卷积神经网络（DCNN）模型通过应用钆酸增强肝胆期磁共振（MR）成像在肝纤维化分期中的表现。
本回顾性研究包括有输入数据（肝胆期MR图像，成像单元的静态磁场，以及阳性和阴性的乙型和丙型肝炎病*检测结果）和参考标准数据（肝纤维化分期由MR检查6个月内的活检或手术标本来评估）的患者，他们被分为训练组（例）和试验（例）。对于训练组（肝纤维化阶段为F0、F1、F2、F3和F4的病人分别有54，53，81，，和例），平均年龄、67.4±9.7岁、名男性和名女性，三个不同方位的MR图像增加90倍（旋转、平行移位、亮度改变和对比度改变，共幅图像）。为了将输出数据（通过深度学习获得的纤维化评分[FDL评分）和肝纤维化阶段之间的差异最小化，使用DCNN模型进行管理训练。使用受试者工作曲线评估试验组中DCNN模型（纤维化阶段为F0、F1、F2、F3和F4的病人分别有10，10，15、20和45例，平均年龄、66.8岁±10.7岁、71名男性患者和29名女性患者）的表现。
本研究结果为FDL评分与纤维化分期显着着相关（Spearman等级相关系数：0.63；P0.）。诊断纤维化阶段为F4，F3和F2的ROC曲线下面积分别为0.84，0.84和0.85。
本研究结论为DCNN模型在肝纤维化分期中表现出较高的诊断性能。
原始出处：
YasakaK，AkaiH，KunimatsuA.etal.LiverFibrosis：DeepConvolutionalNeuralNetworkforStagingbyUsingGadoxeticAcid-enhancedHepatobiliaryPhaseMRImages.Radiology.DOI10./radiol.
鼎湖影像：专业医学影像
