基于深度学习的CT扫描腹部器官自动分割与测量工作流程

背景：自动化分析CT扫描以进行腹部器官测量对于提高诊断效率和减少观察者间的变异性至关重要。肾脏、肝脏、脾脏和前列腺的手动分割和测量耗时且存在不一致性，凸显了自动化方法的必要性。目的：本研究旨在开发和验证一种针对CT扫描中腹部器官分割和测量的自动化工作流程，以利用先进的深度学习模型提高准确性、可靠性和临床评估的效率。方法： proposed工作流程结合nnU-Net和U-Net++进行器官分割，随后使用3D RCNN模型对器官体积和尺寸进行测量。该模型在具有精度、召回率和均方误差(MSE)等指标的CT数据集上进行训练和评估，以评估性能。通过适应患者解剖和扫描仪设置的不同变化来验证分割质量。结果：开发的工作流程实现了高精度和高召回率，所有目标器官的精度和召回率均超过95%。均方误差(MSE)值较低，表明预测值与真实值之间的一致性很高。分割和测量管道显示出稳健的性能，为肾脏、肝脏、脾脏和前列腺提供了准确的描绘和量化。结论：本方法提供了一个自动化、高效且可靠的CT扫描腹部器官测量解决方案。通过显著减少人工干预，此工作流程提高了测量的准确性和一致性，具有广泛的临床实施潜力。未来工作将扩展到其他器官并解决复杂的病理情况。