畳み込みニューラルネットワークを使用するIVIMは、HCCの微小血管浸潤を予測します

目的：この研究の目的は、畳み込みNEURALネットワーク（CNNS）を使用した肝細胞癌（HCC）における微小血管浸潤（MVI）の予測のための、イントラボキセルのインコヒーレント運動（IVIM）拡散加重磁気共鳴画像法の診断パフォーマンスを調査することを目的としています。 方法：このレトロスペクティブ研究には、2014年12月から2021年8月までHCCが病理学的に確認された114人の患者が含まれていました。すべての患者は、術前に9 B値を持つIVIM配列を含むMRI検査を受けました。最初に、9つのB値画像がチャネル寸法に重ねられ、32×32×9寸法の形状のB値体積が得られました。第二に、データ増強のために画像の再サンプリング方法を実行して、トレーニングのためのより多くのサンプルを生成しました。最後に、HCCのMVIを予測する深い特徴は、CNNに基づくB値体積から直接導出されました。さらに、パラメーターマップと融合モデルに基づく深い学習モデルとIVIMの深い特徴、臨床的特性、およびIVIMパラメーターも構築されました。HCCのMVI予測の診断パフォーマンスを評価するために、受信者動作特性（ROC）曲線分析が実行されました。 結果：CNNを使用してIVIM-DWI（0.810（範囲0.760、0.829））から直接抽出された深い特徴は、IVIMパラメーターマップ（0.590（範囲0.555、0.643））からのものよりもMVIの予測のために優れたパフォーマンスをもたらしました。さらに、IVIM-DWIの深い特徴、臨床的特徴（α-フェトタンパク質（AFP）レベルおよび腫瘍サイズ）、および見かけの拡散係数（ADC）（0.829（範囲0.776、0.848））の深い特徴と組み合わされた融合モデルの性能は、わずかに改善されました。 結論：IVIM-DWIに基づくCNNによる深い学習は、HCC患者におけるMVIの術前予測を助長する可能性があります。 キーポイント：•HCCにおけるMVIの予測のためのIVIMデータの深い学習評価は、IVIMパラメーターの不安定で低いパフォーマンスを克服できます。•IVIMに基づくディープラーニングモデルは、パラメーターマップに基づいたパラメーター値、臨床的特徴、およびディープラーニングモデルよりも優れたパフォーマンスを発揮します。•IVIM、臨床的特性、およびADCの深い特徴と組み合わされた融合モデルは、IVIMのみに基づいてモデルよりもMVIの予測のパフォーマンスが向上します。

OBJECTIVES: The study aimed to investigate the diagnostic performance of intravoxel incoherent motion (IVIM) diffusion-weighted magnetic resonance imaging for prediction of microvascular invasion (MVI) in hepatocellular carcinoma (HCC) using convolutional neural networks (CNNs). METHODS: This retrospective study included 114 patients with pathologically confirmed HCC from December 2014 to August 2021. All patients underwent MRI examination including IVIM sequence with 9 b-values preoperatively. First, 9 b-value images were superimposed in the channel dimension, and a b-value volume with a shape of 32 × 32 × 9 dimension was obtained. Secondly, an image resampling method was performed for data augmentation to generate more samples for training. Finally, deep features to predict MVI in HCC were directly derived from a b-value volume based on the CNN. Moreover, a deep learning model based on parameter maps and a fusion model combined with deep features of IVIM, clinical characteristics, and IVIM parameters were also constructed. Receiver operating characteristic (ROC) curve analysis was performed to assess the diagnostic performance for MVI prediction in HCC. RESULTS: Deep features directly extracted from IVIM-DWI (0.810 (range 0.760, 0.829)) using CNN yielded better performance for prediction of MVI than those from IVIM parameter maps (0.590 (range 0.555, 0.643)). Furthermore, the performance of the fusion model combined with deep features of IVIM-DWI, clinical features (α-fetoprotein (AFP) level and tumor size), and apparent diffusion coefficient (ADC) (0.829 (range 0.776, 0.848)) was slightly improved. CONCLUSIONS: Deep learning with CNN based on IVIM-DWI can be conducive to preoperative prediction of MVI in patients with HCC. KEY POINTS: • Deep learning assessment of IVIM data for prediction of MVI in HCC can overcome the unstable and low performance of IVIM parameters. • Deep learning model based on IVIM performs better than parameter values, clinical features, and deep learning model based on parameter maps. • The fusion model combined with deep features of IVIM, clinical characteristics, and ADC yields better performance for prediction of MVI than the model only based on IVIM.