基于U-Net神经网络的多模态MR颈动脉血管成像的分割方法研究

目的 探讨基于U?Net神经网络的多模态MR影像颈动脉血管分割方法的价值.方法 回顾性分析了2012年至2015年中国动脉粥样硬化风险评估研究项目中,经标准多模态MR扫描,且两周内出现缺血性脑卒中或短暂性脑缺血的患者.经纳入标准和排除标准筛选后,有658例患者共17 568层颈动脉血管壁影像纳入研究.应用定制设计的心血管疾病评估计算机辅助系统(CASCADE,华盛顿大学血管成像实验室,西雅图)对所有影像数据进行分析.按照训练集、验证集和测试集6∶2∶2的比例,随机选取10 592个样本作为训练集,3 488个样本作为验证集,3 488个样本作为测试集.为防止模型过拟合,提高模型泛化能力,对原始的多模态血管斑块MR影像进行数据增强.应用经过微调的U?Net神经网络构建多模态MR影像颈动脉血管分割模型,在训练集上训练,在验证集上验证并优化训练超参数,在测试集上测试并计算像素级别的颈动脉血管分割的敏感度、特异度和Dice系数,并计算U?Net分割方法和手工分割方法下的最大管壁厚度和管壁面积,利用组内相关系数和Bland?Altman分析来验证两种方法的一致性.结果 在测试集上应用训练得到的U?Net神经网络模型进行颈动脉血管分割,计算敏感度为0.878,特异度为0.986,Dice系数为0.858.最大管壁厚度的组内相关系数(95%可信区间)为0.921(0.915~0.925),管壁面积的组内相关系数(95%可信区间)为0.929 (0.924~0.933),Bland?Altman分析中最大管壁厚度差值为(0.037±0.316)mm,管壁面积差值为(1.182± 4.953)mm2,U?Net分割方法和手工分割方法具有较高一致性.结论 应用U?Net神经网络的方法,在大规模经过专业医师标注的数据集上进行训练和验证,可以实现对多模态MR影像颈动脉血管自动分割.