摘要目的:为了自动分割第三颈椎(C3)层面的骨骼肌,提出一种基于轻量级深度学习网络的分割方法.方法:首先,选取2019年1月至2022年12月在自贡市第一人民医院肿瘤科收治的头颈部肿瘤患者121例,并按7∶1∶2随机划分为训练集、验证集和测试集.其次,在UNet网络中引入轻量级Mamba架构,并在跳跃连接路径中添加注意力机制(attention gate,AG),构建MB-UNet网络模型.最后,将训练好的网络模型在测试集上进行分割性能评价,并比较手动分割骨骼肌面积(skeletal muscle area,SMA)与MB-UNet网络模型预测SMA的一致性以及MB-UNet网络模型与经典网络模型UNet、Deeplab V3+、U2Net、VMUNet、UltraLight-VMUNet的参数量和计算量,并统计MB-UNet网络模型对SMA的预测时间和医生在MB-UNet网络模型分割基础上修改的时间.结果:构建的MB-UNet网络模型分割C3层面的骨骼肌的戴斯相似性系数为88.23%、交并比为78.94%、敏感度为91.27%、95%豪斯多夫距离为 7.13 mm,均优于经典网络模型;手动分割与MB-UNet网络预测的SMA基本接近;MB-UNet网络模型的计算量为1.88 GFLOPS、参数量为0.77M,与其他经典网络模型相比,总体较优;MB-UNet网络模型在测试集上的预测时间为1.93 s,且医生在MB-UNet网络模型分割的基础上修改只需要2 min即可达到满意的结果,相比医生纯手动分割(20 min)大大减少.结论:提出的方法能够精准、快速分割C3层面的骨骼肌并准确计算SMA,有助于临床医师快速诊断头颈部肿瘤患者的肌少症,提高诊断效率.