科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的:运用改进U-Net深度网络学习定量评价腕管综合征正中神经的超声图像,确定基于改进U-Net深度网络学习的卷积神经网络模型,探讨其在定量评估腕管综合征正中神经卡压中的应用价值。方法:搜集213例经肌电图确诊的腕管综合征正中神经卡压患者及104例健康志愿者,213例正中神经卡压患者中60例为双侧卡压。对317例受检者行超声检查,在腕管处保存超声图像,共得到正中神经图像377组。由擅长肌骨超声的医师对377组图像进行勾勒。应用基于改进U-net深度网络学习的卷积神经网络模型,分割腕管综合征卡压的正中神经超声图像,定量分析提取横切以及纵切的正中神经超声图像的影像组学量化特征。结果:改进的U-Net深度网络可以很好地识别切割正中神经;改进的U-Net深度网络可以定量表示CTS中卡压的正中神经回声减低,区域明暗参数A、明暗参数I、对比明暗参数RI以及纹理参数Homo、纹理不均匀参数Cont差异均有统计学意义(P=0.000)。结论:改进的U-Net模型在超声正中神经图像自动分割方面表现良好,可以定量分析腕管综合征正中神经卡压时灰度以及神经纹理均匀性。
- 单位
