基于深度学习的MRI图像自动分割技术在胎盘植入性疾病预测中的应用

Application of automatic segmentation technology of MRI images based on deep learning inthe prediction of placenta accreta disease

二维码有效期 120s

摘要目的探讨基于深度学习的MRI图像自动分割技术在胎盘植入性疾病(PAS)预测中的作用.方法收集2016年1月至2022年5月四川省人民医院孕晚期胎盘MRI图像.训练集:合并PAS的患者58例760张图像;未合并PAS的患者41例596张图像.测试集:合并PAS的患者18例232张图像;未合并PAS的患者11例161张图像.训练完成后分别与两名影像科主治医师及住院医师诊断结果进行对比.结果在PAS的二分类预测中:Nasnet神经网络分类模型预测PAS发生的灵敏度为100％,特异度为90.9％,准确性为96.5％,AUC为0.985.住院医师组灵敏度72％、特异度63.6％,准确率68.9％;主治医师组灵敏度88.8％,特异度81.8％,准确性86.2％.住院医师组预测准确率与分类模型对比,差异有统计学意义(P＜0.05),二分类模型预测PAS的准确率远胜于住院医师组,二者灵敏度、特异度比较,差异无统计学意义(P＞0.05).主治医师组预测效果与二分类模型预测效果对比,差异无统计学意义(P＞0.05),但Kappa值为0.776,两者一致性较好.结论基于深度学习技术的MRI图像自动分割在预测PAS中是可行的.