基于深度学习分割前列腺多参数MRI图像中的骨质结构

• 作者: 刘想 韩超 张耀峰 张大斗 张晓东 王霄英
• 来源期刊: 中国医学影像学杂志
• 关键词: 人工智能 磁共振成像 扩散加权成像 表观扩散系数 分割 骨盆
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 骨骼肌肉影像学|Musculoskeletal Imaging
• 页码范围: 811-816,821
• 页数: 7页
• 分类号: R445.2|R697
• 语种: 中文
• DOI: 10.3969/j.issn.1005-5185.2021.08.012

摘要

目的 训练3D U-Net模型,研究自动分割前列腺多参数磁共振成像(mpMRI)扫描所获得的扩散加权成像(DWI)和表观扩散系数(ADC)图像中骨质结构的可行性.资料与方法 回顾性分析105例前列腺mpMRI患者的图像.手工标注DWI高(b=800 s/mm2)、DWI低(b=0 s/mm2)和ADC图像上的骨质结构.将不同序列组合作为输入数据训练分割模型,评估输入6个不同序列组合对3D U-Net模型性能的影响.模型评价指标包括定量指标(DICE系数、标签体积)和定性指标(主观评分),模型评价标准为计算测试集中全部序列的达标率,超过80％为符合临床应用需求.结果 3D U-Net模型预测DWI图像盆腔骨质的DICE值为0.75(0.70～0.81)～0.81(0.73～0.85),ADC图像为0.79(0.78～0.81)～0.83(0.80～0.85),但不同模型间DICE值差异无统计学意义(HDWI高=2.978,PDWI高>0.05;HADC=1.140,PADC>0.05).不同模型间模型预测与人工标注体积差值差异无统计学意义(HDWI高=2.900,PDWI高>0.05;HADC=2.236,PADC>0.05).定性评分模型1和3在DWI高和ADC图像的分割中达标率最高,均在80％以上.结论 使用盆腔DWI高联合ADC序列的3D U-Net模型对前列腺mpMRI盆腔骨质结构分割可达到较高的效能,符合临床应用需求.