编辑推荐：
研究人员开展肝脏磁共振弹性成像（MRE）质量控制和硬度测量（LSM）的深度学习研究，成果有望用于临床。
磁共振弹性成像（MRE）可用于测量肝脏硬度以进行纤维化分期，但质量控制（QC）难题和测量变异性会影响其效用。本研究旨在利用深度学习（DL）方法实现肝脏 MRE 质量控制和肝脏硬度测量（LSM）的完全自动化。
在这项经机构审查委员会（IRB）批准的单中心回顾性人体研究中，数据集包含 69 名患者（37 名男性，平均年龄 51.6 岁）的 146 次二维 MRE 扫描（1.5T 和 3T 磁共振成像、二维梯度回波（GRE）和二维自旋回波 - 回波平面成像（SE-EPI））中的 897 个 MRE 幅度切片。基于 SqueezeNet 的二元 QC 模型，通过 MRE 幅度切片及其二维快速傅里叶变换的组合和单独输入进行训练，以检测患者运动、混叠和模糊产生的伪影。三名独立观察者将 MRE 幅度图像标记为 0（非诊断质量）或 1（诊断质量），以此创建参考标准。利用带有肝脏掩模的诊断切片训练二维 U-Net 分割模型，为 LSM 提供支持。通过预测分割和置信掩模之间的交并比，在弹性图上确定可用于 LSM 的测量区域。计算 Cohen's 非加权 Kappa 系数、平均 LSM 误差（%）和组内相关系数，以比较 DL 辅助方法与观察者标注结果。同时进行效率分析，对比 DL 辅助和手动进行 LSM 所需的时间。
结果显示，表现最佳的 QC 集成模型（仅使用 MRE 幅度）的准确率、精确率和召回率分别达到 0.958、0.982 和 0.886。DL 辅助方法与参考标准之间的平均 LSM 误差为 1.9% ± 4.6%。DL 辅助方法在 1 秒内即可完成 29 个诊断切片的 LSM，而手动操作则需要 20 分钟。
结论表明，基于 DL 的肝脏 MRE 诊断质量自动分类、肝脏分割和 LSM 方法展现出良好的高性能，具有临床应用的潜力。
