基于深度学习的非增强CT腰骶神经自动分割用于放射学评估：一项初步研究
计算机视觉与模式识别
2018-11-30 v1
摘要
背景与目的：在脊柱手术与介入操作前，常规需在多模态影像上联合评估腰骶结构（如神经、骨）。通常采用磁共振成像区分神经，而计算机断层扫描（CT）用于观察骨性结构。本研究旨在探究利用深度学习在非增强CT上自动分割腰骶结构（如神经与骨）的可行性。方法：共50例脊柱CT病例使用Slicer 4.8手动标注腰骶神经与骨。训练:验证:测试比例为32:8:10。采用3D-Unet构建模型SPINECT以自动分割腰骶结构。以像素精度、IoU与Dice系数评估腰骶结构的分割性能。结果：测试结果显示在CT上成功分割腰骶骨与神经。骨的平均像素精度为0.940，神经为0.918；骨的平均IoU为0.897，神经为0.827；骨的Dice系数为0.945，神经为0.905。结论：本初步研究表明，在非增强CT上自动分割腰骶结构（神经与骨）是可行的，并可能有助于脊柱介入与手术的规划与导航。
引用
@article{arxiv.1811.11843,
title = {Deep learning based automatic segmentation of lumbosacral nerves on non-contrast CT for radiographic evaluation: a pilot study},
author = {Guoxin Fan and Huaqing Liu and Zhenhua Wu and Yufeng Li and Chaobo Feng and Dongdong Wang and Jie Luo and Xiaofei Guan and William M. Wells and Shisheng He},
journal= {arXiv preprint arXiv:1811.11843},
year = {2018}
}
备注
11 pages, 5 figures