基于3D U-Net深度学习网络对眼眶CT图像的分割:初步探索
目的 探索基于3D U-Net深度学习网络对眼眶CT图像中主要结构进行自动分割的可行性.方法 回顾性搜集34例患者的58个正常的眼眶CT检查图像,由两位影像科医师标注双侧眼眶、眼球、上直肌、下直肌、内直肌、外直肌、视神经结构,按照8∶1∶1的比例随机分为训练集、调优集及测试集,训练3D U-Net分割模型,输出径线、体积及CT值,并返回到结构化报告.用测试集的Dice值进行客观评价,并用非参数检验和Bland-Altman散点图比较手工标注和模型预测的结果.医师对预测结果进行满分为10分的主观评价.用另外10个眼肌增粗图像进行外部验证.结果 测试集各结构的平均Dice值为0.82±0.12,眼肌平均体积为552.83～859.04 mm3.模型预测与手工标注所得到的体积、径线及CT值的测量结果之间的差异大多无统计学意义(P＞0.05).该模型的主观评价总分为7.00±2.00.外部验证敏感性为95.12％,特异性为53.85％.结论 基于3D U-Net的眼眶CT图像的分割以及体积、径线和CT值的自动测量是可行的,其测量结果可自动导入结构化报告,准确性符合临床要求.
眼眶、体层摄影术、X线计算机、分割、深度学习、结构化报告
41
R318;G647;R197.39
2022-05-13（万方平台首次上网日期，不代表论文的发表时间）
共7页
426-432
