基于深度学习的腰椎间盘退变全自动分级

目的探讨深度学习模型在腰椎磁共振T2加权成像(T2WI)矢状图像上全自动识别腰椎间盘退变程度的可行性。方法回顾性抽取2020年8月至2022年6月于安徽医科大学第三附属医院就诊并行腰椎MRI检查的94例患者的腰椎T2WI图像数据,共获得466个椎间盘,由两名放射科医生手动标注腰椎间盘,将数据随机分为训练集(300个)、调优集(72个)和测试集(94个),首先使用U-Net网络训练椎间盘分割模型,模型评价指标包括Dice系数和交并比(IoU)分数;然后利用SpineNet网络训练分类模型进行评价,评价指标包括准确度、敏感度、特异度、F1分数及ROC曲线。结果测试集中U-Net模型对腰椎间盘分割的平均Dice系数值及IoU分数分别为0.920、0.853;SpineNet分类模型对腰椎间盘退变分类诊断的准确度、特异度、敏感度分别为0.913、0.912、0.916,ROC曲线分析示,该模型区分腰椎间盘退变轻度vs中度、轻度vs重度、中度vs重度的AUC值分别为0.89、0.95、0.90。结论深度学习网络对腰椎间盘退变程度的全自动分类是可行的。