使用U-Net 深度学习网络对腰椎矢状T2WI图像自动分割的可行性研究

目的:研究训练U-Net模型自动分割腰椎矢状面T₂WI图像中各结构的可行性。方法:回顾性搜集腰椎矢状面T2WI图像数据,共获得80个矢状面T₂WI序列。由2位影像医师手工标注矢状面腰椎椎体、椎间盘、椎间孔、椎管/硬膜囊、脊髓及马尾神经。将数据随机分为训练集、调优集和测试集,使用U-Net网络分两步(coarse-to-fine)训练腰椎矢状T₂WI分割模型。模型评价指标包括客观评估(Dice系数)和主观评估。结果:11例测试集数据中U-Net模型预测腰椎5个解剖部位分割的Dice值分别为椎体0.82~0.9(平均0.864)、椎间盘0.86~0.92(平均0.898)、椎管/硬膜囊0.76~0.87(平均0.837)、椎间孔0.6~0.76(平均0.67)、脊髓及马尾神经0.55~0.9(平均0.669)。主观评估各解剖部位分割满意率分别为椎体97.5%、椎间盘97.9%、椎管/硬膜囊86.4%、椎间孔76.7%、脊髓及马尾神经78.6%。结论:基于U-Net深度学习网络对腰椎矢状T₂WI图像的解剖结构进行自动分割是可行的。