基于深度学习模型实现颈椎MR图像上各结构的自动分割

【摘要】目的：探讨3D U-Net模型自动分割颈椎矢状面T1WI和T2WI图像上颈椎各结构的可行性。方法：回顾性搜集拟诊为颈椎病的92例患者的矢状面T1WI和T2WI图像资料，由两位影像医师在每例患者的2个序列图像上分别人工标注颈椎各结构，包括椎体、椎间盘、硬膜囊、脊髓和椎间孔。将178个序列的图像随机分为训练集（n=138）、调优集（n=20）和测试集（n=20）。采用训练集的数据训练3D U-Net分割模型，在调优数据集中微调参数，在测试集中采用定量指标（Dice相似系数，DSC）和定性指标（主观评分）评价模型的分割效能，并比较各结构的DSC值在3组内及3组间是否存在统计学差异。结果：在测试集中3D U-Net模型分割颈椎椎体、椎间盘、硬膜囊、脊髓和椎间孔的DSC值分别为0.87±0.03、0.85±0.04、0.87±0.04、0.82±0.05和0.57±0.08，分割颈椎各解剖结构的总体DSC值为0.80±0.13。各结构的DSC值在3组内及组间均有统计学差异（P＜0.001）。主观评价显示3D U-Net模型分割颈椎各结构获得的图像均符合临床测量要求。结论：基于矢状面T1WI和T2WI序列的3D U-Net模型对颈椎各结构的分割可达到较高的准确性。