| 叶凯，王可欣，张耀峰，席祖强，李家轮，王霄英.基于深度学习在胎儿MR图像上自动分割侧脑室与评估侧脑室扩张的研究[J].放射学实践,2025,(10):1297-1304 |
| 基于深度学习在胎儿MR图像上自动分割侧脑室与评估侧脑室扩张的研究 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.10.016 |
| 中文关键词: 神经系统 胎儿 深度学习 磁共振成像 |
| 基金项目: |
|
| 摘要点击次数: 29 |
| 全文下载次数: 28 |
| 中文摘要: |
| 【摘要】目的：评估基于深度学习在胎儿MR图像上自动分割侧脑室与评估侧脑室扩张的可行性。方法:本研究回顾性搜集两组MRI图像，分别用于模型训练和验证。首先，纳入了209位患者的222次检查图像（包括726个T2WI序列和158个冠状面序列侧脑室图像）作为训练队列，两位影像科医师在这些图像上逐层标注胎儿颅腔和侧脑室，以训练3DUnet分割模型。其次，建立模型验证队列，包括36位患者的39次检查（39个T2WI序列和39个冠状面序列侧脑室图像），并搜集了相应的影像诊断报告。两位医师测量了胎儿双侧侧脑室三角区横径，并取平均值作为金标准。定量评价分割模型的效能时，采用了Dice相似系数（DSC）、体积相似度（VS）和平均豪期多夫距离（HD）作为评估指标。进一步基于模型半自动测量的侧脑室三角区横径，使用三分法和四分法对侧脑室是否扩张进行分类判断，并与金标准和影像报告的结果进行了对比分析。结果：验证数据集中模型预测颅腔区域的DSC为0.986~0.990，VS为0.995~0.999，HD为0.009~0.021mm，预测侧脑室的DSC为0.887~0.949，VS为0.963~0.990，HD为0.074~0.314mm，各个数据集之间上述指标的差异均有统计学意义（P<0.001）。金标准、模型和影像报告对侧脑室三角区测量值的中位数分别为：8.69（6.51，11.3）mm、8.64（7.15，11.9）mm和8.25（5.93，11.0）mm。采用三分法评价侧脑室扩张程度时，影像报告结果、模型半自动测量结果与金标准之间的Kappa值均为0.868（P<0.001）；采用四分法时，影像报告结果与金标准之间的Kappa值为0.810（P<0.001），模型半自动测量结果与金标准之间的Kappa值为0.766（P<0.001）。结论：使用深度学习模型在MR图像上对胎儿侧脑室扩大进行定性评价是可行的，且与专家评价具有较高的一致性。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
