多模态影像联合人工智能诊断模型构建：基于LIRADS标准的肝脏病灶智能诊断

临床资料

本研究收集了患者基本信息、相关实验室检查和肝炎相关检查等内容，包括患者编号、性别、年龄、基础疾病、肝病病史、目前治疗措施、甲胎蛋白(AFP)、肝功能和Child-Pugh评分等。

图像采集

增强MR图像采集

所有患者检查前空腹8h以上。检查前进行呼吸训练，深吸气吐气后扫描。对所有患者行MR常规平扫（包括轴位T1WI、T2WI、DWI）、增强扫描（LAVA动态增强扫描）。动态增强扫描采用高压注射器以3mm/s流率经肘静脉注射0.2mmol/kg体质量的造影剂及等量生理盐水，团注对比剂测试时间以计算扫描延迟时间，扫描获得动脉期、门脉期及延迟期图像。

超声图像采集

包括融合成像病灶精准匹配及超声图像获取：

融合成像病灶精准匹配 根据患者MR血管树显示情况选择智能对位方式：肝内血管树显示清晰者使用基于肝血管树智能对位超声--CT/MR融合成像方法；肝内血管树显示不清晰者使用基于肝表面智能自动对位法的超声--CT/MR融合成像方法。

融合成像对位方法：患者仰卧位，患者上方50cm内放置磁场发生器，探头配置磁场感应器，导入MR的DICOM数据至超声仪器内。尽量选择能够清晰显示病灶及血管等解剖结构的MR序列，在对位序列图像上标记病灶位置及大小。由一位具有5年以上肝脏超声融合成像检查经验的医师进行超声扫查，常规二维超声扫查调节图像增益、深度、聚焦等，使得肝内病灶、管及其他相关解剖结构能清晰显示；包括初步配准及微调配准两步骤完成图像融合对位，初步配准使用MR左肝门静脉矢状部横切面作为对位切面，超声垂直扫查相对应的横断面，进行面--面图像融合方法完成初步配准。其后根据病灶位置及对位误差进行图像微调配准，使超声图像与MR图像配准成功，微调配准主要参照物一般选用尽可能临近病灶的血管树，通常为肝内二三级门静脉分支。

基于肝表面智能自动对位法：仰卧位，进行超声扫查；同样先调整常规二维超声图像参数，使得肝内相关解剖结构能清晰显示，特别是近膈肌肝包膜能够清晰辨识；随后检查者使用腹部凸阵探头分别标记胸骨及脐位置，然后嘱受检者呼气末屏住呼吸后，在右肋间自头侧向足侧通过自由臂扫查获得包括近膈肌肝包膜的肝脏超声三维图像容积数据，选择超声仪内置的基于肝表面智能自动对位系统自动完成图像融合初步配准过程。其后根据病灶对位误差决定是否需要微调，微调配准方法同常规内定标对位法。
3D--CEUS/MR融合成像图像采集：配准后图像以双屏幕格式进行成像，右侧为MR图像，左侧为实时超声图像，二者实时关联显示。记录MR提示的病灶二维超声能否检出，可检出者判断与常规超声检出病灶是否一致，记录病变的大小、内部回声、边界、形态、位置、与血管的毗邻关系、血流信号。

扫查至肝脏视野广且清晰的切面，选择理想切面以清楚显示MR提示病变和周围部分肝实质，固定探头位置，切换成超声造影模式：

图像选取及AI智能化分析

本研究中使用的AI模型由一个深度CNN组成，使用基于VGG-16神经网络的ImageNet数据库进行预先训练，其由输入层、卷积层、全连接层和softmax分类器层组成。所有的多模态影像3D DICOM格式容积图像进行矩阵像素转换，并输入CNN进行批量处理。通过依次叠加相应的卷积层、激活层和池层，总共使用五个堆栈来提取抽象和复杂的图像特征，依次使用三个完全连接的层FC1、FC2和FC3。通过加权每个神经元对应的参数，将特征映射转化为特征向量。最后使用训练数据对模型进行微调，然后使用softmax分类器层，通过最小化交叉熵损失函数，将特征向量分为良恶性两个层次。使用Keras深度学习库和Google的TensorFlow深度学习框架在装有高分辨显示卡配置的计算机上实现。

多模态影像LIRADS联合智能诊断模型构建

基于既有的国际通用最新的LI-RADS CT/MR及CEUS标准，结合AI分析得出的HCC诊断特征与诊断金标准进行匹配，通过AI的CNN深度学习进行智能整合，优化重组，得出最优化智能LI-RADS诊断模型，并通过训练集病灶资料进行诊断模型修正。

评价

这段实验设计包含了临床资料的收集、图像采集和AI智能化分析等多个环节，整体设计较为完整。

临床资料：该部分包括了患者基本信息、相关实验室检查和肝炎相关检查等内容，可以提供患者的基本情况和疾病信息，为后续的图像分析提供背景和依据。
图像采集：该部分包括了增强MR图像采集和超声图像采集两个环节。采用MR和超声相结合的方式，可以提供更全面和准确的肝脏图像信息，有助于病灶的定位和评估。
图像选取及AI智能化分析：该部分使用AI模型进行深度学习分析，通过提取图像特征和训练模型，实现对肝脏病灶的自动诊断。采用了深度CNN模型和ImageNet数据库进行预先训练，提高了模型的准确性和可靠性。
多模态影像LIRADS联合智能诊断模型构建：该部分结合了国际通用的LI-RADS CT/MR及CEUS标准，将AI分析结果与诊断标准进行匹配，通过深度学习进行智能整合，得出最优化的智能LI-RADS诊断模型。通过训练集病灶资料进行模型修正，可以提高模型的准确性和可行性。

总体而言，这段实验设计综合运用了临床资料、图像采集和AI智能化分析等方法，结合了多模态影像和国际标准，具有较高的可靠性和实用性，能够为肝脏病灶的诊断提供有力的支持。