期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
神经网络模型自动分割测量颈椎MRI椎间盘及深层伸肌面积的可行性研究
被引量:
1
1
作者
段硕
崔维
+2 位作者
张舵
肖博威
刘宝戈
《中国脊柱脊髓杂志》
CAS
CSCD
北大核心
2021年第9期833-840,共8页
目的:探讨应用人工智能深度学习方法建立颈椎MRI深层伸肌自动分割与测量神经网络模型的可行性。方法:选择78例健康成年志愿者,其中男性30例,女性48例,年龄20~65岁(45.4±12.6岁)。对纳入的志愿者行3.0T颈椎MRI检查,获取符合标准的...
目的:探讨应用人工智能深度学习方法建立颈椎MRI深层伸肌自动分割与测量神经网络模型的可行性。方法:选择78例健康成年志愿者,其中男性30例,女性48例,年龄20~65岁(45.4±12.6岁)。对纳入的志愿者行3.0T颈椎MRI检查,获取符合标准的的颈椎C2/3~C6/7节段椎间盘中间层面轴位MRI图像345张。其中276张(80%)用于训练和验证以掩膜区域卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)为基础建立的MRI自动分割测量模型,进行深层伸肌面积(deep extensor cross-sectional area,DCSA)、肌肉功能面积(functional cross-sectional area,FCSA)、椎间盘面积(introvertebral disc cross-sectional area,IDCSA)的自动分割与测量。剩余69张(20%)图像设定为测试集,由2名医师(人工组)手工测量其图像的DCSA、FCSA、IDCSA等,并与模型测量(模型组)的结果进行比较。采用平均交并比(mean intersection over union,MIoU)及平均像素精确度(mean pixel accuracy,MPA)评价模型分割效果,采用同类相关系数(intraclass correlation coefficients,ICC)及Bland-Altman方法比较模型组与人工组测量结果的一致性。结果:本神经网络模型最终整体MPA为0.920,整体MIoU为0.912;椎间盘、左、右侧深层伸肌的MPA分别为0.946、0.917与0.911,MIoU分别为0.934、0.908、0.899。在测试集中,人工组IDCSA为3.28±1.02cm^(2),左侧DCSA为2.84±1.11cm^(2),右侧DCSA为2.86±1.09cm^(2),左侧FCSA为2.19±0.89cm^(2),右侧FCSA为2.23±0.86cm^(2);模型组IDCSA为3.35±0.99cm^(2),左、右DCSA为3.19±1.16cm^(2)和3.16±1.12cm^(2),左、右FCSA为2.49±0.99cm^(2)、2.42±0.88cm^(2)。模型组与人工组组间ICC值为0.852~0.914,组间ICC及Bland-Altman法测量结果显示两种测量方法一致性高。人工组与模型组测量图片平均时间为256.5±53.3s vs 0.109±0.402s,具有统计学差异(P<0.001)。结论:深度学习神经网络模型对于颈椎MRI水平位图像的深层伸肌、椎间盘组织的自动识别、分割与测量结果与人工测量一致性良好。
展开更多
关键词
颈椎深层伸肌
MRI测量
深度学习
智能分割
神经网络模型
下载PDF
职称材料
题名
神经网络模型自动分割测量颈椎MRI椎间盘及深层伸肌面积的可行性研究
被引量:
1
1
作者
段硕
崔维
张舵
肖博威
刘宝戈
机构
首都医科大学附属北京天坛医院
出处
《中国脊柱脊髓杂志》
CAS
CSCD
北大核心
2021年第9期833-840,共8页
基金
国家自然科学基金(编号:81972084)
北京天坛医院院内青年科研基金(编号:YQN-201901-DSH-DR)。
文摘
目的:探讨应用人工智能深度学习方法建立颈椎MRI深层伸肌自动分割与测量神经网络模型的可行性。方法:选择78例健康成年志愿者,其中男性30例,女性48例,年龄20~65岁(45.4±12.6岁)。对纳入的志愿者行3.0T颈椎MRI检查,获取符合标准的的颈椎C2/3~C6/7节段椎间盘中间层面轴位MRI图像345张。其中276张(80%)用于训练和验证以掩膜区域卷积神经网络(mask region-based convolutional neural network,Mask R-CNN)为基础建立的MRI自动分割测量模型,进行深层伸肌面积(deep extensor cross-sectional area,DCSA)、肌肉功能面积(functional cross-sectional area,FCSA)、椎间盘面积(introvertebral disc cross-sectional area,IDCSA)的自动分割与测量。剩余69张(20%)图像设定为测试集,由2名医师(人工组)手工测量其图像的DCSA、FCSA、IDCSA等,并与模型测量(模型组)的结果进行比较。采用平均交并比(mean intersection over union,MIoU)及平均像素精确度(mean pixel accuracy,MPA)评价模型分割效果,采用同类相关系数(intraclass correlation coefficients,ICC)及Bland-Altman方法比较模型组与人工组测量结果的一致性。结果:本神经网络模型最终整体MPA为0.920,整体MIoU为0.912;椎间盘、左、右侧深层伸肌的MPA分别为0.946、0.917与0.911,MIoU分别为0.934、0.908、0.899。在测试集中,人工组IDCSA为3.28±1.02cm^(2),左侧DCSA为2.84±1.11cm^(2),右侧DCSA为2.86±1.09cm^(2),左侧FCSA为2.19±0.89cm^(2),右侧FCSA为2.23±0.86cm^(2);模型组IDCSA为3.35±0.99cm^(2),左、右DCSA为3.19±1.16cm^(2)和3.16±1.12cm^(2),左、右FCSA为2.49±0.99cm^(2)、2.42±0.88cm^(2)。模型组与人工组组间ICC值为0.852~0.914,组间ICC及Bland-Altman法测量结果显示两种测量方法一致性高。人工组与模型组测量图片平均时间为256.5±53.3s vs 0.109±0.402s,具有统计学差异(P<0.001)。结论:深度学习神经网络模型对于颈椎MRI水平位图像的深层伸肌、椎间盘组织的自动识别、分割与测量结果与人工测量一致性良好。
关键词
颈椎深层伸肌
MRI测量
深度学习
智能分割
神经网络模型
Keywords
Cervical spine
Deep extensor muscles
MRI
Deep learning
Intelligent segmentation
Neural network model
分类号
R445.2 [医药卫生—影像医学与核医学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
神经网络模型自动分割测量颈椎MRI椎间盘及深层伸肌面积的可行性研究
段硕
崔维
张舵
肖博威
刘宝戈
《中国脊柱脊髓杂志》
CAS
CSCD
北大核心
2021
1
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部