S'abonner

Performance of deep learning for differentiating pancreatic diseases on contrast-enhanced magnetic resonance imaging: A preliminary study - 26/01/20

Doi : 10.1016/j.diii.2019.07.002 
X. Gao a, b, X. Wang a, b,
a Shanghai Institute of Medical Imaging, 200032 Shanghai, China 
b Department of Interventional Radiology, Fudan University Zhongshan Hospital, 200032 Shanghai, China 

Corresponding author at: Department of Interventional Radiology, Fudan University Zhongshan Hospital, No.180, Fenglin Road, Xuhui District, 200032 Shanghai, China.Department of Interventional Radiology, Fudan University Zhongshan HospitalNo.180, Fenglin Road, Xuhui DistrictShanghai200032China

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Purpose

The purpose of this study was to evaluate the ability of deep learning to differentiate pancreatic diseases on contrast-enhanced magnetic resonance (MR) images with the aid of generative adversarial network (GAN).

Materials and Methods

A total of 504 patients who underwent T1-weighted contrast-enhanced MR examinations before any treatments were included in this retrospective study. First, the MRI examinations of 398 patients (215 men, 183 women; mean age, 59.14±12.07 [SD] years [range: 16-85 years]) from one hospital were used as the training set. Then the MRI examinations of 50 (26 men, 24women; mean age, 58.58±13.64 [SD] years [range: 24–85 years]) and 56 (30 men, 26 women; mean age, 59.13±11.35 [SD] years [range: 26–80 years]) consecutive patients from two hospitals were separately collected as the internal and external validation sets. An InceptionV4 network was trained on the training set augmented by synthetic images from GANs. Classification performance of trained InceptionV4 network for every patch and every patient were made on both validation sets, respectively. The prediction agreement between convolutional neural network (CNN) and radiologist was measured by the Cohen's kappa coefficient.

Results

The patch-level average accuracy and the micro-averaging area under receiver operating characteristic curve (AUC) of InceptionV4 network were 71.56% and 0.9204 (95% confidence interval [CI]: 0.9165–0.9308) for the internal validation set, and 79.46% and 0.9451 (95%CI: 0.9320–0.9523) for the external validation set, respectively. The patient-level average accuracy and the micro-averaging AUC of InceptionV4 network were 70.00% and 0.8250 (95%CI: 0.8147–0.8326) for the internal validation, 76.79% and 0.8646 (95%CI: 0.8489–0.8772) for the external validation set, respectively. Evaluated by human reader, the average accuracy and micro-averaging AUC for internal and external validation sets were 82.00% and 0.8950 (95%CI: 0.8817–0.9083), 83.93% and 0.9063 (95%CI: 0.8968–0.9212), respectively. The Cohen's kappa coefficients between InceptionV4 network and human reader for the internal and external invalidation sets were 0.8339 (95%CI: 0.6991–0.9447) and 0.8862 (95%CI: 0.7759–0.9738), respectively.

Conclusion

Deep learning using CNN and GAN had the potential to differentiate pancreatic diseases on contrast-enhanced MR images.

Le texte complet de cet article est disponible en PDF.

Keywords : Pancreatic diseases, Deep learning, Convolutional neural network (CNN), Generative adversarial network (GAN), Magnetic resonance imaging (MRI)


Plan


© 2019  Société française de radiologie. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 101 - N° 2

P. 91-100 - février 2020 Retour au numéro
Article précédent Article précédent
  • How reproducible are classical and new CT-pelvimetry measurements?
  • C. Capelle, P. Devos, C. Caudrelier, P. Verpillat, T. Fourquet, P. Puech, C. Garabedian, L. Lemaitre
| Article suivant Article suivant
  • Acetic acid versus radiofrequency ablation for the treatment of hepatocellular carcinoma: A randomized controlled trial
  • S.B. Paul, S.K. Acharya, S.R. Gamanagatti, V. Sreenivas, S. Shalimar, M.S. Gulati

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.