神经网络模型自动分割测量颈椎MRI椎间盘及深层伸肌面积的可行性研究

目的 :探讨应用人工智能深度学习方法建立颈椎MRI深层伸肌自动分割与测量神经网络模型的可行性。方法:选择78例健康成年志愿者,其中男性30例,女性48例,年龄20～65岁(45.4±12.6岁)。对纳入的志愿者行3.0T颈椎MRI检查,获取符合标准的的颈椎C2/3～C6/7节段椎间盘中间层面轴位MRI图像345张。其中276张(80%)用于训练和验证以掩膜区域卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)为基础建立的MRI自动分割测量模型,进行深层伸肌面积(deep extensor cross-sectional area,DCSA)、肌肉功能面积(functional cross-sectional area,FCSA)、椎间盘面积(introvertebral disc cross-sectional area,IDCSA)的自动分割与测量。剩余69张(20%)图像设定为测试集,由2名医师(人工组)手工测量其图像的DCSA、FCSA、IDCSA等,并与模型测量(模型组)的结果进行比较。采用平均交并比(mean intersection over union,MIoU)及平均像素精确度(mean pixel accuracy,MPA)评价模型分割效果,采用同类相关系数(intraclass correlation coefficients,ICC)及Bland-Altman方法比较模型组与人工组测量结果的一致性。结果:本神经网络模型最终整体MPA为0.920,整体MIoU为0.912;椎间盘、左、右侧深层伸肌的MPA分别为0.946、0.917与0.911,MIoU分别为0.934、0.908、0.899。在测试集中,人工组IDCSA为3.28±1.02cm~2,左侧DCSA为2.84±1.11cm~2,右侧DCSA为2.86±1.09cm~2,左侧FCSA为2.19±0.89cm~2,右侧FCSA为2.23±0.86cm~2;模型组IDCSA为3.35±0.99cm~2,左、右DCSA为3.19±1.16cm~2和3.16±1.12cm~2,左、右FCSA为2.49±0.99cm~2、2.42±0.88cm~2。模型组与人工组组间ICC值为0.852～0.914,组间ICC及Bland-Altman法测量结果显示两种测量方法一致性高。人工组与模型组测量图片平均时间为256.5±53.3s vs 0.109±0.402s,具有统计学差异(P0.001)。结论:深度学习神经网络模型对于颈椎MRI水平位图像的深层伸肌、椎间盘组织的自动识别、分割与测量结果与人工测量一致性良好。

Feasibility Study of artificial neural network model automating segmentation and measuring disc and deep extensor muscles on axial cervical magnetic resonance images