来源：期刊VIP网 时间：
作者：张多多;吴鹏升;王祥鹏;张晓东;王霄英;
单位：北京大学第一医院医学影像科;北京赛迈特锐医疗科技有限公司;
摘要：目的 基于深度学习训练图像分类模型，研究其用于肝脏多参数磁共振成像（multi-parameter magnetic resonance imaging, mpMRI）序列分类的可行性。材料与方法 回顾性收集2022年11月16日至2023年6月29日期间1676例患者的1744次肝脏mpMRI作为模型构建数据集，共纳入25 365个独立图像序列，将序列数据按照8∶1∶1的比例随机分为训练集[序列数（number of series, ns）=20 207]、调优集（ns=2664)和测试集（ns=2494)，基于3D ResNet训练序列分类模型，模型输入端为图像数据，输出端为序列类别，包括：T1WI同相位、 T1WI反相位、 T2WI脂肪抑制序列、高b值扩散加权成像（diffusion-weighted imaging, DWI）、表观扩散系数图以及动态增强扫描的增强前、动脉期、门脉期、延迟期图像。使用癌症基因组图谱-肝细胞癌（The Cancer Genome Atlas Liver Hepatocellular Carcinoma, TCGA-LIHC）数据集作为模型外部验证集，共纳入38例患者的59次mpMRI检查。影像医生判断的图像类别作为金标准，利用混淆矩阵对模型分类效能进行评价。结果 在总体分类评价水平上，模型构建数据集的平均准确率、宏F1(macro-F1)、微F1(micro-F1)分别为97.2%～99.0%、0.949～0.982、0.960～0.985。在单序列分类水平上，模型构建数据集每个序列类别的准确率为89.6%～100.0%，敏感度为81.0%～100.0%，特异度为98.2%～100.0%,F1分数为0.797～1.000。在外部验证集中，模型对各序列分类的平均准确率、宏F1和微F1分别为91.6%、0.819、0.816，在单序列分类水平，模型预测的准确率、敏感度、特异度、F1分数分别为74.1%～99.4%、55.4%～100.0%、92.8%～100.0%、0.579～0.968。结论 基于深度学习对肝脏mpMRI序列进行分类具有较高的准确率，可实现对肝脏mpMRI图像的自动序列分类。
关键词：肝脏;;磁共振成像;;图像自动分类;;人工智能;;深度学习
