3区2.9分!胆石症MRI检测AI工具!MRI影像AI新突破!临床转化稳稳!胆囊分割+结石检测,788例T2加权轴位图像,决策支持系统+GUI界面

还在为MRI胆石症AI检测研究空白而焦虑？这篇J Clin Med（IF 2.9）教你用Mask R-CNN+SE注意力模块，788例单中心T2加权图像，分割Dice 0.89+分类准确率0.81，精度-召回权衡策略，Tkinter GUI界面辅助放射科，零实验成本发SCI，影像AI硕博毕业直接抄！

福利大放送！！！关注回复“资料”2字，即可免费领取生信资料，包括数据集、绘图代码、图表复现、思路总结、参考文献……0代码鼠标点一点，就能轻松完成5—10分生信SCI全文复现!（持续关注我们，每天为您解读最新见刊的文献!）

新鲜出炉！今天给大家深度剖析一篇2026年3月发表在《Journal of clinical medicine》上的文章，题目为：基于深度学习的MRI数据胆石症决策支持系统。

A Deep Learning-Based Decision Support System forCholelithiasis in MRI Data.

本研究旨在开发一个基于深度学习的辅助系统，以帮助放射科医生在MRI图像中更高效地诊断胆石症。研究背景指出胆石症的高患病率及MRI在该领域AI应用的稀缺性。研究思路包括：1) 构建并标注单中心MRI数据集；2) 采用并改进Mask R-CNN模型进行训练和评估；3) 开发图形用户界面。研究结果显示，SE模块的加入提高了模型分割的一致性（尤其对异常病例），但使图像级分类趋向保守（精度、特异性提高，召回率、F1分数下降）。结论认为，所提出的管道和界面有潜力辅助胆囊检测，但需进一步的前瞻性多中心验证才能考虑临床常规应用。

影响因子：2.9

发表期刊：Journal of clinical medicine

团队成员合影（位于上海陆家嘴中心，可随时预约参观）

向下滑动查看更多

CNSknowall 平台 Pubmed+AI 快速提炼

研究亮点·研究思路·研究结果·研究结论

研究亮点

1.聚焦MRI数据：针对目前胆石症AI诊断研究多集中于超声和CT，而MRI数据研究有限的现状，专门开发了基于MRI的检测系统。

2.定位与检测一体化：利用Mask R-CNN框架，在一个模型中同时实现胆囊区域的像素级分割（定位）和胆结石的图像级分类（检测）。

3.架构改进：在标准Mask R-CNN基础上探索了集成Squeeze-and-Excitation (SE) 通道注意力模块，以评估其对模型性能的影响。

4.注重实用性：开发了图形用户界面，使训练好的模型能够在不接触代码的环境下被使用，旨在促进临床整合。

5.可行性与策略性设计：明确研究定位为可行性探索，采用在单张代表性切片而非整个体积数据上操作的策略，以简化问题并作为方法开发的实用起点。

核心创新点

1.技术整合创新：将用于实例分割的Mask R-CNN模型与SE注意力机制相结合，并应用于MRI胆结石检测这一特定且研究相对较少的场景。

2.方法学创新：提出并验证了一个针对胆囊MRI图像（特别是T2加权轴位像）的自动化分析流程，包括数据预处理、模型训练、后处理（如最大连通区域筛选）及评估策略。

3.应用工具创新：构建了一个专门用于本研究的图形用户界面，将研究原型转化为潜在可交互的工具，强调了从算法到应用的过渡。

4.研究视角创新：明确声明该系统是专家指导下的切片级决策支持工具，而非全自动筛查系统，强调了其在现有临床工作流中的辅助定位及相关的性能权衡（如更高的特异性但更低的敏感性）。

研究背景

胆石症是一种常见胃肠道疾病，可能导致严重并发症。MRI虽非胆石症检测的首选方法，但在评估并发症或超声/CT结果不明确时具有重要作用。当前，基于深度学习的胆囊疾病诊断研究大多集中于超声和CT，针对MRI数据的研究有限，部分原因在于处理体积数据和进行逐层标注的实际挑战。因此，开发能够减少MRI评估所需时间和人力的计算机辅助支持系统具有临床价值。本研究旨在利用深度学习技术，填补MRI数据在胆石症自动检测方面的研究空白。

研究思路

1.数据准备：从医院档案中收集T2加权轴位MRI图像，由经验丰富的放射科医生选择最佳显示胆囊的单张切片进行标注（胆囊边界和结石），构建包含788个图像-掩码对的数据集，并按比例划分为训练集、验证集和测试集。

2.模型开发与改进：采用Mask R-CNN（ResNet-50骨干）作为基线模型。为了探索性能提升，在骨干网络中集成了Squeeze-and-Excitation注意力模块，形成修改后的模型。

3.训练与评估：对基线模型和修改后的模型进行训练，并在独立的测试集上评估其性能。评估指标包括分割的Dice相似系数和图像级分类的准确率、精确度、召回率等。

4.辅助工具开发：使用Python Tkinter开发一个图形用户界面，允许用户加载MRI图像、选择模型并可视化分割及分类结果。

研究结果

1.图像级分类性能：在测试集上，SE修改后的模型在图像级胆结石检测中表现出更保守的模式。与基线模型相比，其准确率为0.8083，精确度从0.7857提升至0.8966，特异性从0.8784提升至0.9595，但召回率从0.7174下降至0.5652，F1分数从0.7500下降至0.6933。

2.分割性能：SE修改提升了分割的一致性。在异常（胆石症）样本中，平均Dice分数从0.8479（基线）提升至0.8934（修改后），且标准差大幅减小。在正常样本中也观察到轻微提升。

3.模型稳定性：Bootstrapping分析（1000次重采样）显示，两种模型的性能指标（准确率、F1、AUC、Dice）的95%置信区间表明结果是稳定的。

4.与U-Net对比：U-Net在正常和异常样本上的平均Dice分数分别为0.9159和0.8756，表现出良好的分割性能，但本研究主要聚焦于Mask R-CNN框架的探索与改进。

研究结论与讨论

1.工具定位：本研究提出的系统是一个切片级的决策支持工具，旨在放射科医生浏览图像时提供辅助，而非一个全自动的MRI体积筛查系统。

2.性能权衡：集成SE模块带来了明显的精度-召回权衡。修改后的模型提高了分割质量和分类特异性/精确度，但代价是灵敏度（召回率）降低。这表明它可能更适用于以最小化假阳性为重点的辅助场景，而非作为高灵敏度要求的一线诊断工具。

3.实用性与局限性：开发的GUI增加了系统的实用性。然而，研究存在局限性，包括使用单中心、回顾性选择的单切片数据，可能影响泛化能力；未进行正式的观察者间/内变异性分析；决策阈值（如置信度0.3）为经验性选择。

4.未来方向：作者建议未来研究应进行多中心、前瞻性验证，探索多切片或体积数据分析，优化决策阈值以平衡敏感性和特异性，并研究其他注意力模块或训练策略。

具体研究结果 

1.结果

所提出的二分类Mask R-CNN模型的性能在包含结石和干净胆囊图像的独立测试集上进行了评估。对于分割性能，通过将真实二值掩码与模型生成的（最大连通分量）掩码进行比较，计算了Dice相似系数。为了研究SE修改的效果，使用相同的测试方案评估了修改后模型的分割性能。比较显示Dice系数整体略有改善，特别是在异常（胆石症）组中，均值和中间值增加，变异性降低。此外，研究中还实现了一个U-Net模型（以预训练于ImageNet数据集的ResNet-50编码器为骨干）用于分割性能比较。U-Net是最广泛实现的卷积神经网络之一，能够以更少的训练样本实现更精确的分割[24]。该模型使用AdamW优化器（学习率0.0001，权重衰减10^{-8}），批量大小为4，训练了200个epoch。采用OneCycleLR调度器管理训练期间的学习率。为了减少过拟合并提高泛化能力，使用了相同的增强样本数据集，并应用标准ImageNet归一化作为额外的预处理步骤。使用了Focal Loss（alpha=0.8，gamma=2），它非常适合处理前景和背景像素之间可能存在不平衡的分割任务。训练过程在产生最高验证Dice分数的第28个epoch停止，并选择用于评估。模型的性能在相同的独立测试集（训练期间未见）上进行了测试，最终预测掩码使用sigmoid激活阈值0.5生成。所有评估模型整体分割性能的Dice分数指标见表1，分别针对正常样本和结石样本。使用预定义的“黄框”标准评估图像级别的结石检测性能，该标准将图像标记为“结石阳性”，当最大的预测实例属于结石类别且其置信度超过概率阈值时。基于此决策规则，计算了所有测试样本的准确率、精确率、召回率、特异度、F1分数和ROC-AUC。为了评估SE加入的影响，对更新后的模型应用了相同的评估策略。结果显示出现了向保守分类的转变。虽然该模型实现了更高的精确率和特异度，但较低的召回率导致F1分数和ROC-AUC值下降。因此，尽管假阳性和假阴性之间的平衡不同，但无法断定存在总体分类优势。数值结果见表2。还生成了混淆矩阵（表3）以总结真阳性、假阳性、真阴性和假阴性的分布。进行了自助法（有放回重抽样1000次）以估计所呈现的修改后模型和基线模型结果的稳定性。对于每个指标，在保留的测试集上计算了95%置信区间。基线模型获得：准确率=0.818（CI:0.750-0.883），F1分数=0.750（CI:0.643-0.844），ROC-AUC=0.825（CI:0.750-0.897），Dice=0.869（CI:0.835-0.897）。对于修改后模型，结果为：准确率=0.808（CI:0.733-0.875），F1分数=0.691（CI:0.568-0.800），ROC-AUC=0.774（CI:0.701-0.848），Dice=0.895（CI:0.870-0.914）。这些发现表明两个模型均实现了稳定的性能，且由SE修改引入的精确率-召回率权衡也反映在置信区间范围中。除了数值评估外，还生成了视觉叠加图用于定性评估。对于每个测试图像，在输出可视化中显示了预测掩码、真实轮廓和Dice分数。当满足黄框标准时，在预测区域周围显示一个黄色边界框以指示阳性结石检测。示例视觉输出如图3所示。

总结

本研究开发了一个基于改进型Mask R-CNN（集成了Squeeze-and-Excitation模块）的深度学习决策支持系统，用于在单张T2加权MRI轴位图像上自动定位胆囊并检测胆结石，同时开发了图形用户界面以辅助使用。系统在包含788张图像的自建数据集上进行了训练和测试，旨在作为辅助工具减少放射科医生评估所需的时间和精力。

更多结果和补充图表: 

PMID：41827308

PMCID：PMC12985875

DOI：10.3390/jcm15051891

不想做实验，没数据，还想要快速发表文章，没问题的！公共数据库就是我们的数据宝藏！没思路不用担心，作为专业的生信团队，我们很乐意为您效劳，提供研究路线设计和数据挖掘分析，扫码联系我们吧！

长按二维码关注我们，用最短的时间和最高的效率学习更多数据分析方法!

扫描上方二维码或登录平台官网后添加CNSknowall客服微信咨询！官网地址：https://cnsknowall.com

CNSknowall：24年最新问世的遥遥领先的科研数据（0代码生信+统计学）分析平台，同时含有机制图模块+汉化版Pubmed融合Deepseek高效筛选目标文献+SCI文献例句/语料检索模块+OPenAI官方GPT接口，＞500款CNS级别图表皆可一秒内一键出图，登录即秒变数据分析大神，体验前所未有的便捷数据分析之旅，开启科研天骄之路！

可向下滑动批阅！