目的探讨不同深度学习(DL)模型对布-加综合征(BCS)患者磁共振血管成像(MRA)图像的分割性能,筛选出最适合分割BCS患者MRA图像的DL模型,并对该模型的分割结果进行三维重建,旨在为临床医师提供可视化的三维图像。方法选取BCS患者570例,按7...目的探讨不同深度学习(DL)模型对布-加综合征(BCS)患者磁共振血管成像(MRA)图像的分割性能,筛选出最适合分割BCS患者MRA图像的DL模型,并对该模型的分割结果进行三维重建,旨在为临床医师提供可视化的三维图像。方法选取BCS患者570例,按7∶1∶2随机分配到训练集、验证集和测试集。所有BCS患者入院次日接受MRA检查,共获取MRA图像39900张。采用3D U-Net、Inception 3D U-Net、Attention 3D U-Net模型分割下腔静脉、肝静脉、椎旁静脉丛、门静脉、肝脏和脾脏的MRA图像,采用Dice相似系数(DSC)、交并比(IoU)和95%豪斯多夫距离(HD95)评价分割性能,并通过ITK-SNAP 4.0.0软件生成模型预测结果的三维重建图。结果Attention 3D U-Net、3D U-Net和Inception 3D U-Net分割测试集中的MRA图像得到的总体DSC分别为0.86、0.83、0.80;总体IoU分别为0.76、0.73、0.68;总体HD95分别为4.42、5.60、7.43。Attention 3D U-Net的分割性能优于其他两种模型,3D U-Net的分割性能优于Inception 3D U-Net(P<0.05)。根据Attention 3D U-Net分割结果构建的三维重建图像可清楚地显示血管阻塞情况及各分割结构的空间立体位置关系。结论Attention 3D U-Net在BCS患者MRA图像分割中的性能优于3D U-Net和Inception 3D U-Net。根据Attention 3D U-Net分割结果构建的三维重建图像可用于辅助BCS诊断和治疗。展开更多
文摘目的探讨不同深度学习(DL)模型对布-加综合征(BCS)患者磁共振血管成像(MRA)图像的分割性能,筛选出最适合分割BCS患者MRA图像的DL模型,并对该模型的分割结果进行三维重建,旨在为临床医师提供可视化的三维图像。方法选取BCS患者570例,按7∶1∶2随机分配到训练集、验证集和测试集。所有BCS患者入院次日接受MRA检查,共获取MRA图像39900张。采用3D U-Net、Inception 3D U-Net、Attention 3D U-Net模型分割下腔静脉、肝静脉、椎旁静脉丛、门静脉、肝脏和脾脏的MRA图像,采用Dice相似系数(DSC)、交并比(IoU)和95%豪斯多夫距离(HD95)评价分割性能,并通过ITK-SNAP 4.0.0软件生成模型预测结果的三维重建图。结果Attention 3D U-Net、3D U-Net和Inception 3D U-Net分割测试集中的MRA图像得到的总体DSC分别为0.86、0.83、0.80;总体IoU分别为0.76、0.73、0.68;总体HD95分别为4.42、5.60、7.43。Attention 3D U-Net的分割性能优于其他两种模型,3D U-Net的分割性能优于Inception 3D U-Net(P<0.05)。根据Attention 3D U-Net分割结果构建的三维重建图像可清楚地显示血管阻塞情况及各分割结构的空间立体位置关系。结论Attention 3D U-Net在BCS患者MRA图像分割中的性能优于3D U-Net和Inception 3D U-Net。根据Attention 3D U-Net分割结果构建的三维重建图像可用于辅助BCS诊断和治疗。
