使用TOSA-Net对阻塞性睡眠呼吸暂停进行舌头几何特征的自动细分和测量
Yingjie Li1, Qiang Cai2, Shuai He3
1School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing, China.
Sleep & breathing = Schlaf & Atmung
|November 12, 2025
概括
一个新的深度学习模型,TOSA-Net,从图像中准确地分割和测量舌头几何. 这为阻塞性睡眠呼吸暂停 (OSA) 研究提供了一种有效的方法,改进了手动分析.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 呼吸系统药物 呼吸系统药物
背景情况:
- 舌头是一个关键的上呼吸道软组织;扩大可以导致阻塞性睡眠呼吸暂停 (OSA).
- 目前缺乏用于量化与OSA相关的舌头几何学的方法,特别是使用深度学习细分.
- 精确的舌头测量对于了解OSA病理生理学至关重要.
研究的目的:
- 介绍TOSA-Net,这是一个用于准确的舌头细分和几何特征测量的深度学习模型.
- 为未来的OSA舌头研究建立一个高效的自动化方法.
- 使用深度学习细分来量化与OSA相关的舌头几何特征.
主要方法:
- 采用了207张前面和外表舌头图像的数据集,并进行了手动细分.
- 修改后的U-Net架构与多尺度卷积过器被用于特征提取.
- 模型的性能是使用子系数,皮尔森相关性和对手工测量的协议分析进行评估的.
主要成果:
- 在所有科目中,TOSA-Net模型实现了0.870的平均子系数.
- 在患有阻塞性睡眠呼吸暂停 (OSA) 的患者中观察到更高的准确性 (平均Dice0.914).
- 自动化舌头测量 (面积,长度,厚度,曲率) 与手动测量有很强的相关性,没有显著差异.
结论:
- TOSA-Net模型在自动化舌头细分和测量方面表现出高精度.
- 这种深度学习方法有可能取代OSA研究中繁的手工量化.
- 这些发现表明,临床和大规模阻塞性睡眠呼吸暂停研究的更有效途径.
