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...