Liver Fat Quantification Network with Body Shape

在检测肝脏脂肪含量方面非常重要，因为它与心脏并发症和心血管疾病死亡有关。然而，现有的方法要么与高成本和/或医疗并发症（例如，肝活检、成像技术）相关，要么只是粗略估计脂肪肝的程度。在本文中，我们提出了一种深度神经网络，仅使用身体形态即可估计肝脏脂肪百分比。所提出的方法由一个灵活的基线网络和一个轻量级的注意力模块组成。注意力模块被训练生成具有区分性和多样性的特征，显著提高了性能。为了验证该方法，我们在公共医学数据集上进行了广泛的测试。结果验证了我们提出的方法具有最先进的性能，均方根误差（RMSE）为5.26％，R-Squared值超过0.8。它提供了一种准确且更易于访问的肝脏脂肪评估方法。

提高检测肝脏脂肪含量的准确性和可访问性

使用深度神经网络结合注意力机制，基于身体形态估计肝脏脂肪含量

论文提出的方法在公共医疗数据集上进行了广泛测试，取得了均方根误差为5.26％和R-Squared值超过0.8的最先进性能。该方法提供了一种准确且更易于访问的评估肝脏脂肪变性的方法。

在这个领域中，最近的相关研究包括“Non-invasive diagnosis of liver steatosis using fat attenuation parameter measured by computed tomography: a meta-analysis”和“Accuracy of noninvasive methods in assessing hepatic steatosis in patients with chronic hepatitis C: a systematic review and meta-analysis”。