[U-Net网络在腺体和鼻气道自动图像细分中的应用]
Lu Wang1, Zebin Luo2, Jianhui Ni1
1Department of Otorhinolaryngology Head and Neck Surgery，Shenzhen University General Hospital，Shenzhen University Clinical Medical Academy，Shenzhen University，Shenzhen，518055，China.
概括
一个基于U-Net的深度学习模型准确地细分了腺体和鼻气道图像. 这种自动化方法在儿科束计算机断层扫描中显示出高的应用价值和概括能力.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 腺体和鼻气道的准确细分对于诊断儿童睡眠呼吸障碍等疾病至关重要.
- 手动细分是耗时的,并且受观察者之间的变化影响.
- 深度学习为自动化和精确的图像分析提供了潜在的解决方案.
研究的目的:
- 评估U-Net深度学习模型的有效性,用于完全自动地对腺体和鼻气道进行细分.
- 将深度学习模型的性能与专家临床医生的手动细分进行比较.
- 评估从细分获得的2D和3D成像指标之间的相关性.
主要方法:
- 分析了240个儿科圆束计算机断层扫描 (CBCT) 数据集.
- 在52个手动细分的数据集上训练和验证了U-Net深度学习模型.
- 该模型应用于剩余的数据集,并使用诸如平均交叉点 (MIOU) 和子相似系数 (DSC) 等指标评估细分的准确性.
主要成果:
- 深度学习模型在细分鼻气道和腺体方面表现出很高的准确性,与手动细分相比没有显著差异 (P>0.05).
- 关键性能指标包括气道的MIOU为86.32%,腺体为86.28%,气道的DSC为92.91%,腺体为92.88%.
- 在2D (A/N) 和3D (AV/(AV+NAV)) 指标之间发现了显著的正相关性 (P<0.05),在9-13岁年龄组的相关系数为0.74.
结论:
- 基于U-Net的深度学习模型对腺体和鼻气道的自动细分有效.
- 该模型具有高精度和良好的概括能力,表明其临床适用性.
- 这种自动化细分方法对儿科耳鼻喉科的临床诊断和研究具有重要价值.
