| 摘要: |
| 目的探究应用基于注意力机制的深度学习网络在头部MR三点非对称回波水脂分离成像（IDEAL）图像上进行5种组织成分（实质、脑脊液、颅骨、空气、软组织）分割的可行性。方法收集2019年9月至2021年8月杭州市临平区第一人民医院40名健康志愿者的头部CT图像和MRIDEAL图像。训练集包含30个样本，共1784张图像；测试集包含10个样本，共618张图像。将分割结果与标注区域进行对比评估网络模型效能。利用Elastix软件配准CT图像和MRIDEAL图像；基于CT值得到骨和空气区域的金标准，同时使用SPM12工具包从IDEAL图像得到脑实质、脑脊液区域的金标准，头部其余部分视为软组织区域的金标准；最后，采用最轻量的Segformer模型，将IDEAL的水图、脂图、同相图组成三通道输入到网络模型中进行训练，实现头颅组织成分（实质、脑脊液、颅骨、空气、软组织）的分割。采用Dice相似性系数（DSC）、像素准确度（PA）、均交并比（IoU）评价Seg-former在各个组织成分上的分割性能。结果测试集的各组织成分（空气、骨骼、脑实质、脑脊液、软组织）占比分别为0.125±0.016、0.184±0.015、0.375±0.019、0.085±0.011、0.231±0.020。测试集的DSC为0.822±0.039，PA为0.931±0.015，IoU为0.714±0.050。结论利用基于注意力机制的深度学习网络能够实现IDEAL图像的头部组织成分分割。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2022.44.22.2022-2377 |
| 分类号: |
| 基金项目:浙江省医药卫生科技计划项目（2022519024） |
|
|
|
|
| Abstract: |
|
| Key words: |
