人工智能深度学习对前列腺多序列MR图像分类的可行性研究

作     者：方俊华 Li Qiubai 余成新 王兴刚 方志华 刘涛 王良 Fang Junhua;Yu Chengxin;Wang Xinggang;Fang Zhihua;Liu Tao;Wang Liang

作者机构：华中科技大学同济医学院附属同济医院放射科武汉430030 Department of Radiology University of Texas Southwestern Medical Center at Dallas Dallas TX USA 湖北省宜昌市中心人民医院放射科443000 江西省景德镇市浮梁县人民(中医)医院放射影像科333000 湖北省枝江市中医医院放射科工作443200 

出 版 物：《中华放射学杂志》 (Chinese Journal of Radiology)

年 卷 期：2019年第53卷第10期

页      面：839-843页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 100207[医学-影像医学与核医学] 1002[医学-临床医学] 08[工学] 1010[医学-医学技术（可授医学、理学学位）] 100214[医学-肿瘤学] 10[医学] 

基　　金：国家自然科学基金(81171307 81671656) 

主　　题：人工智能 深度学习 前列腺 磁共振成像 图像分类 

摘      要：目的开发一种能够自动分辨前列腺多序列MR图像的人工智能(AI)工具。方法回顾性分析2017年5月至2018年12月华中科技大学同济医学院附属同济医院前列腺多序列MR图像。前列腺多序列MR图像的分类由ResNet18卷积神经网络(CNN)模型来实现。运用深度残差网络提升训练精度和测试精度。所使用的数据集包括19 146张7个前列腺MR序列图像(横断面T1WI、横断面T2WI、冠状面T2WI、矢状面T2WI、横断面DWI、横断面ADC、横断面PWI),选取其中2 800张图像作为训练集,选取剩余图像中的388张图像作为测试集。采用准确度评价ResNet18 CNN模型的效能。结果7个前列腺MR序列(横断面DWI、冠状面T2WI、横断面灌注成像、矢状面T2WI、横断面ADC、横断面T1WI和横断面T2WI)图像测试准确率分别为100.0%(44/44)、77.5%(31/40)、96.7%(116/120)、100.0%(44/44)、100.0%(44/44)、100.0%(52/52)和100.0%(44/44)。横断面PWI的分类0.8%(1/120)被错误地分到了横断面T2WI序列,仅2.5%(3/120)错误地分到矢状面T2WI序列;对于冠状面T2WI的分类15.0%(6/40)被错误地分到了横断面T2WI序列,7.5%(3/40)错误地分到矢状面T2WI序列。结论开发的能够自动分辨前列腺多序列MR图像的AI工具准确率高。