基于深度学习的分娩宫缩乏力子宫形态学量化研究

摘要

目的 基于密集连接卷积的双向卷积长短期记忆U网络（BCDU-Net）深度学习模型分割孕期子宫MRI图像，探讨计算机自动量化子宫上下径及子宫体积替代医生手动测量的可行性。方法 回顾性收集2019年7月～2023年11月在本院分娩时有子宫收缩乏力且孕期行盆腔MRI检查的61例产妇的影像资料。使用3D Slicer手动勾画子宫壁及子宫体积感兴趣区，建立BCDU-Net深度学习子宫壁及子宫体积自动分割模型，根据任务将图像数据集随机分为训练集、验证集和测试集。基于分割模型自动分割子宫壁及子宫体积并对子宫上下径及子宫体积进行计算机测量。结果 基于BCDU-Net深度学习子宫壁及子宫体积自动分割模型在测试集中，子宫壁重叠系数（DSC）值为0.866，交并比（IoU）值为0.773；子宫体积DSC值为0.978,IoU值为0.955。基于自动分割模型的计算机测量结果与图像存储与传输系统手动测量（上下径）、公式计算（体积）、3D Slicer手动勾画（体积）测量结果一致性均较高，差异无统计学意义（P>0.05）。结论 构建BCDU-Net深度学习自动分割模型，可用于子宫壁及子宫体积的分割。基于自动分割图像，计算机测量子宫上下径及子宫体积替代医生手动测量是可行的。

关键词

子宫形态学 / 子宫收缩乏力 / 深度学习 / 磁共振成像