换一批基于深度学习的PAS胎盘体积测量研究
Deep Learning-based Placental Volume Quantification in Placenta Accreta Spectrum Disorders(PAS)
摘要目的 基于胎盘MRI图像,构建Trans-UNet深度学习胎盘自动分割模型,自动测量胎盘体积,并与公式法比较,为提高胎盘植入性疾病(placenta accreta spectrum disorders,PAS)的诊断效能提供可定量参考指标.方法 回顾性收集230例于本院行胎盘MRI检查的孕妇的影像学资料,建立Trans-UNet深度学习模型自动分割胎盘并测量胎盘体积.以3Dslicer软件测量的胎盘体积为金标准,比较公式法、3Dslicer、胎盘自动分割计算机测量的胎盘体积的准确性.结果 Trans-UNet深度学习模型的IoU值为0.755,Dice系数为0.858.公式法与3Dslicer以及胎盘自动分割计算机测量的胎盘体积有统计学差异,一致性均较差(ICC值为0.232、0.186);胎盘自动分割计算机测量与3Dslicer测量的胎盘体积无统计学差异,一致性极好(ICC值为0.915).结论 本研究建立的Trans-UNet深度学习模型可用于胎盘自动分割,且测量的胎盘体积快速高效、准确性高,为实现胎盘体积自动测量奠定基础.
更多相关知识
关键词
深度学习自动分割胎盘体积胎盘植入性疾病Deep LearningAutomated SegmentationPlacental VolumePlacenta Accreta Spectrum Disorders
分类号
R714.56+2（产科学）
栏目名称
DOI
10.3969/j.issn.1672-5131.2026.01.039
发布时间
2026-01-23（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
