基于深度学习的肝脏MRI影像肿瘤检测与分类研究综述.docVIP

基于深度学习的肝脏MRI影像肿瘤检测与分类研究综述

一、肝脏MRI影像肿瘤分析的临床需求与技术演进

肝脏恶性肿瘤是全球范围内致死率最高的恶性肿瘤之一，其中肝细胞癌占比超过75%，早期精准检出与良恶性分类是提升患者5年生存率的核心关键。临床常规诊断流程中，磁共振成像（MRI）因具备多序列、多参数、无辐射、软组织分辨率高等优势，成为肝脏肿瘤评估的首选影像学手段。传统影像诊断依赖放射科医师对T1加权、T2加权、弥散加权、动态增强等多序列影像的人工判读，受医师经验、工作负荷、视觉疲劳等因素影响，常规诊断对直径小于2cm的微小肝癌检出率仅为65%左右，良恶性肿瘤鉴别准确率波动在70%-85%区间，难以满足大规模早筛与精准诊疗需求。

计算机辅助诊断技术的发展为突破这一瓶颈提供了新路径，其技术演进可划分为三个阶段：2010年以前的传统机器学习阶段，研究者主要通过人工提取影像组学特征，包括一阶统计特征（灰度均值、方差、偏度等）、二阶纹理特征（灰度共生矩阵、灰度行程矩阵、局部二值模式等）、形状特征（肿瘤体积、边缘粗糙度、球形度等），再结合支持向量机、随机森林等分类器实现肿瘤检测与分类，该阶段方法受限于人工特征的表征能力，对异质性较高的肿瘤分类准确率普遍低于80%；2014-2018年的深度学习萌芽阶段，以卷积神经网络为代表的深度学习模型开始应用于肝脏影像分析，模型自动学习特征的能力大幅提升了任务精度