基于深度学习方法对儿童腺样体肥大进行准确诊断和分级

【摘要】目的：评估深度学习方法在鼻咽侧位X线片上自动测量儿童腺样体肥大的可行性、准确性和可靠性。方法：X线图像被人工标注并分为训练、验证和测试数据集。利用训练集和验证集对多分类U-Net和Res U-Net深度学习网络进行训练,然后分别用两种方法对测试集图像进行分割。将两种方法的分割结果进行比较,选择出最佳的分割方法,并利用Matlab所构建的测量模型自动测量腺样体/鼻咽腔(A/N)比值。将自动测量方法（AMS）测得的A/N值分别与由主任医师、主治医师、住院医师手工测量的A/N值进行比较。以主任医师的测量结果为标准,计算AMS、主治医师、住院医师的准确率。结果：与U-Net相比,Res U-Net在测试集有更好的分割性能,并获得了总体上与主治医师水平相当,但比住院医师更准确的A/N结果。在对正常、中度肥大和病理性肥大腺样体的分级中,AMS的准确率分别为93.75%、93.02%和96.00%,主治医师的准确率分别为100%、83.72%和96.00%,而住院医师的准确率分别为68.75%、69.77%和84.00%。统计学分析结果显示,在正常组、中度肥大组以及病理性肥大组中AMS与主任医师、主治医师的测量结果差异均无统计学意义（P值均>0.05）;AMS与住院医师在正常组和中度肥大组中的测量结果差异有统计学意义（P<0.05）,在病理性肥大组中差异无统计学意义（P>0.05）。AMS所需的测量时间分别为主任医师、主治医师和住院医师手工测量时间的22%、21%和18%,AMS与主任医师、主治医师、住院医师的测量时间比较差异均有统计学意义（P值均<0.05）。结论：基于Res U-Net的自动测量方法可以快速测量腺样体A/N比值,达到主治医师的测量水平,且能够提高住院医师的测量水平,辅助各级医师减少测量所需时间,有助于临床快速、精确诊断。