基于改进nnU-Net的急性阑尾炎CT影像诊断系统

摘要

急性阑尾炎（AA）CT诊断长期面临效率低、基层误诊率高的临床困境。为解决这一问题，开发了基于改进nnU-Net的智能诊断系统，重点融合以下3项创新技术：一是提出动态加权复合损失函数，结合Dice与交叉熵损失，并根据训练进程动态调整权重，有效提升小目标阑尾的分割精度；二是引入边缘增强监督机制，通过边缘信息强化模型对阑尾边界的感知能力；三是利用Shapley Additive exPlanations(SHAP)方法量化关键形态学指标对诊断决策的影响，增强系统的可解释性。使用60例临床确诊的急性阑尾炎患者CT数据进行训练，并选取30例病例（15例阑尾炎，15例正常）作为独立测试集进行评估。实验结果表明，系统在阑尾分割任务中取得了72.35%的Dice系数，在诊断性能上，智能诊断系统的表现（灵敏度73.3%、特异度80.0%、准确率76.7%）与高年资医生相近。此外，系统平均诊断时间为23.5 s，显著提高了诊断效率。研究结果表明该智能诊断系统具备准确、快速、可解释的优势，具有广泛的临床应用潜力。

关键词

急性阑尾炎 / CT图像分割 / nnU-Net / 计算机辅助诊断 / 深度学习