基于深度学习分割前列腺多参数MRI图像中的骨质结构

作者：刘想; 韩超; 张耀峰; 张大斗; 张晓东; 王霄英^*

来源：中国医学影像学杂志, 2021, 29(08): 811-821.

DOI：10.3969/j.issn.1005-5185.2021.08.012

• 人工智能
• 磁共振成像
• 扩散加权成像
• 表观扩散系数
• 分割
• 骨盆

目的训练3D U-Net模型,研究自动分割前列腺多参数磁共振成像(mpMRI)扫描所获得的扩散加权成像(DWI和表观扩散系数(ADC)图像中骨质结构的可行性。资料与方法回顾性分析105例前列腺mp MRI患者的图像。手工标注DWI高(b=800 s/mm2)、DWI低(b=0 s/mm2)和ADC图像上的骨质结构。将不同序列组合作为输入数据训练分割模型,评估输入6个不同序列组合对3D U-Net模型性能的影响。模型评价指标包括定量指标(DICE系数、标签体积)和定性指标(主观评分),模型评价标准为计算测试集中全部序列的达标率,超过80%为符合临床应用需求。结果 3D U-Net模型预测DWI图像盆腔骨质的DICE值为0.75(0.70～0.81)～0.81(0.73～0.85),ADC图像为0.79(0.78～0.81)～0.83(0.80～0.85),但不同模型间DICE值差异无统计学意义(HDWI高=2.978,PDWI高>0.05;HADC=1.140,PADC>0.05)。不同模型间模型预测与人工标注体积差值差异无统计学意义(HDWI高=2.900,PDWI高>0.05;HADC=2.236,PADC>0.05)。定性评分模型1和3在DWI高和ADC图像的分割中达标率最高,均在80%以上。结论使用盆腔DWI高联合ADC序列的3D U-Net模型对前列腺mp MRI盆腔骨质结构分割可达到较高的效能,符合临床应用需求。

• 单位
  北京大学第一医院