典型文献
基于3D U-Net深度学习网络对眼眶CT图像的分割:初步探索
文献摘要:
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.
文献关键词:
眼眶;体层摄影术;X线计算机;分割;深度学习;结构化报告
中图分类号:
作者姓名:
郭颖;刘想;王鹤;张耀峰;赵治锋;张晓东;王霄英
作者机构:
100034 北京大学第一医院医学影像科;100011 北京赛迈特锐医学科技有限公司
文献出处:
引用格式:
[1]郭颖;刘想;王鹤;张耀峰;赵治锋;张晓东;王霄英-.基于3D U-Net深度学习网络对眼眶CT图像的分割:初步探索)[J].临床放射学杂志,2022(03):426-432
A类:
B类:
Net,深度学习网络,眼眶,初步探索,主要结构,自动分割,影像科,眼球,上直肌,下直,内直肌,外直肌,视神经,训练集,调优,测试集,分割模型,径线,返回,结构化报告,Dice,行客,客观评价,非参数检验,Bland,Altman,散点图,满分,主观评价,眼肌,外部验证,mm3,自动测量,体层摄影术,线计算
AB值:
0.368102
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。