Rapid Liver Fibrosis Evaluation Using the UNet-ResNet50-32 × 4d Model in Magnetic Resonance Elastography: Retrospective Study
Notice bibliographique
Résumé
Background: Liver fibrosis is a pathological outcome of chronic liver injury and a hallmark of multiple chronic liver diseases. Magnetic resonance elastography (MRE) provides a non-invasive modality for evaluating the severity of liver fibrosis. Objective: This study aimed to develop and evaluate deep learning-based segmentation models for the automated assessment of liver fibrosis using MRE images, with a focus on comparing the performance of a conventional U-Net model and a UNet-ResNet50-32 × 4d architecture model. Methods: A retrospective analysis was conducted on 319 patients enrolled between January 2018 and December 2020. MRE images were processed and segmented using two U-Net-based models. Model performance was assessed through correlation coefficients, intersection over union (IoU), and additional segmentation metrics. Results: The UNet-ResNet50-32 × 4d model demonstrated strong agreement with ground truth annotations, achieving correlation coefficients of 0.952 in the training phase and 0.943 in the validation phase, along with an Dice score of 85.68%, confirming its high segmentation accuracy. Conclusions: The UNet-ResNet50-32 × 4d model exhibited robust performance and may serve as a reliable tool for the rapid and accurate assessment of liver fibrosis severity. The integration of automated segmentation into MRE analysis has the potential to improve clinical workflows and support timely decision-making in the management of chronic liver disease.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».