深度学习在泌尿生殖裂孔面积全自动测量中的应用价值

摘要：

目的 探讨基于深度学习的卷积神经网络(CNN)在经会阴盆底超声泌尿生殖裂孔面积(UH)全自动测量中的应用价值.方法 采集1200幅UH最小裂孔三维图像作为训练集,在GE、Philips超声机上采集160幅UH图像作为测试集.首先,由3位经验丰富的超声医师在训练集上进行标记,用于训练CNN模型,获取全自动测量软件,在测试集上测量UH参数;再由2位不同年资的盆底超声医师(D1、D2)在测试集上分别进行手动测量,测量参数包括UH面积、周长、前后径、左右径、右侧肛提肌尿道间隙、左侧肛提肌尿道间隙,对测量耗时以及UH结果进行记录并进行统计学分析.结果 GE组中,全自动测量和D1、D2手动测量的组内相关系数(ICC)分别为0.738～0.983,0.730～0.959,均P＜0.01,Pearson相关系数r分别为0.749～0.969,0.755～0.962,均P＜0.01;Philips组中,全自动测量和D1、D2手动测量的ICC值分别为0.693～0.958,0.515～0.956,均P＜0.01,Pearson相关系数r分别为0.781～0.966,0.546～0.957,均P＜0.01;全自动测量两次测量间的ICC值为1;全自动测量平均耗时＜0.2 s.结论 基于CNN构建的全自动测量软件对不同超声机器的数据表现出可靠的可信度,极大提高了UH的测量效率,在盆底超声检查中有较高的应用价值.

关键词：盆底超声;泌尿生殖裂孔;深度学习;全自动测量

所属期刊栏目：37

资助基金：惠州市科技计划项目No.210331214571992

在线出版日期：2022-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1408-1412