从CT扫描中训练nnU-Net模型用于从CT扫描中对人类成人椎的语义细分

科学领域:

• 医疗成像医学成像
• 计算解剖学的计算解剖学
• 生物医学工程 生物医学工程

背景情况:

• 宫脊椎的准确细分对于患者特定的计算模型至关重要.
• 目前的方法经常与中低椎脊柱细分精度扎.
• 这种局限性阻碍了详细的生物机械模拟和手术规划工具的开发.

研究的目的:

• 调查是否仅在椎脊柱上训练语义细分模型,与全脊柱模型相比,可以提高细分性能.
• 评估椎脊柱专门细分的临床相关性,用于患者特定的建模.

主要方法:

• 训练了两个nnU-Net v.2卷积神经网络模型:一个用于椎脊柱细分,一个用于全脊柱细分.
• 模型在172张计算机断层扫描 (CT) 图像上接受了训练,并在268张CT图像上进行了独立测试.
• 使用 DICE 度量和第 95 个百分位 Hausdorff 距离 (H95) 评估表现.

主要成果:

• 这两种模型都表现出高性能,性能优于现有文献.
• 椎脊柱特定模型显示,在测试组上,H95的统计学上显著改善 (p = 0.037).
• 在两种模型中都观察到跨脊椎水平的性能均性,这可能是由于训练数据的平衡.

结论:

• 专门的椎脊柱细分模型可以提高准确性,特别是对于H95度量.
• 训练数据中的类平衡对于跨脊椎水平的强大细分性能至关重要.
• 开发的模型有助于为生物力学研究和手术规划创建患者特定的模型,改善医学图像解释.