使用深度学习的2D电影MRI自动测量喉收缩比在脱过程中:一个试点研究
Masato Takahashi1, Naoka Miyamoto2, Norikazu Koori3
1Department of Radiological Sciences, Ibaraki Prefectural University of Health Sciences, 4669-2 Ami, Amimachi, Ibaraki, 300-0394, Japan. takahashima@ipu.ac.jp.
Radiological physics and technology
|November 14, 2025
概括
深度学习可以准确地对喉区域 (PA) 进行细分,并从电影MRI扫描中测量喉收缩率 (PCR). 这种自动化方法显示了吞分析的技术可行性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 吞障碍 吞障碍 吞障碍
背景情况:
- 准确的喉区域 (PA) 分段和喉收缩率 (PCR) 测量对于评估吞功能至关重要.
- 目前的手工方法耗时且主观.
研究的目的:
- 开发和验证一种基于深度学习的自动化方法,用于PA细分和PCR测量,使用电影MRI.
- 评估自动化方法与手动测量的性能.
主要方法:
- 为了自动提取PA区域,使用了2D U-Net模型.
- 该算法自动计算了PA和PCR.
- 细分精度是使用子系数 (DC) 量化.
- 模型衍生的PCR与使用相关性和Bland-Altman分析对20名健康成年人电影MRI数据的手动测量进行了比较.
主要成果:
- 自动化细分实现了0.890±0.025.25的平均子系数.
- 该模型的PA测量结果与手册参考结果有很强的相关性 (r = 0.700.97).
- 通过模型测量的平均PCR值 (0.105±0.035) 与视频光镜吞研究的结果一致.
结论:
- 深度学习能够从电影MRI中准确和自动地对喉区域进行细分.
- 开发的方法为自动测量喉收缩比率提供了一种可行和可靠的方法.
- 这项技术有可能提高吞功能评估的效率和客观性.


