换一批基于深度学习和计算机视觉方法的矢状位腰椎核磁共振成像的自动分割与定量分析
Deep automatic segmentation and quantification of sagittal lumbar MRI based on VM-Unet and computer vision
摘要目的 基于VM-UNet和计算机视觉技术,开发一种深度学习模型,用于自动分割和定量评估腰椎矢状位T2加权MRI中的关键解剖区域.方法 2019年6月至2024年6月期间,收集于中国人民解放军中部战区总医院接受腰椎MRI检查的1 224例腰背痛患者的临床和影像学资料,使用专家手动分割的数据进行训练,开发了一种针对矢状位T2加权MRI的自动分割模型.分割对象包括椎体、椎间盘、脑脊液.评估VM-UNet、U-Net、U2-Net和nnU-Net模型的表现,采用Dice系数和Hausdorff距离进行模型分割性能的评估;通过计算机视觉方法获取关键解剖区域的定量数据,采用组内相关系数(intraclass correlation coefficient,ICC)和Bland-Altman图检验模型与Image J软件的一致性.结果 关于自动分割,VM-UNet模型表现优秀,在椎体、椎间盘、脑脊液3个区域,与人类医师对比的Dice系数和Hausdorff距离分别达到0.981、0.974、0.952和9.7、12.6、20.3,均优于其他模型.关于自动定量,本研究评估了VM-UNet与Image J研究生手动测量的软件间ICC,大部分定量测量结果的一致性高(ICC=0.92～0.99).结论 本研究中针对腰椎矢状位T2加权MRI自动分割和定量的深度学习模型可靠、高效且准确,是辅助放射学诊断和进行腰椎流行病学研究的有效工具.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1672-5972.2025.04.008
发布时间
2025-08-21（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览16
- 被引0
- 下载11
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
