临床放射学杂志

作者：陈杰, 田慧, 王艳, 艾合买提·托胡提, 张冉, 梁晓云

单位：830001 乌鲁木齐,新疆维吾尔自治区人民医院放射影像中心陈 杰、田 慧、王 艳、艾合买提·托胡提; 110167 沈阳,东软医疗系统股份有限公司张 冉、梁晓云

关键词：膝关节软骨分割,Res-nnUnet,空间注意力机制,骨关节炎,磁共振成像,深度学习

基金：本研究系北京医学奖励基金会重点项目（编号：YXJL-2024-0350-0272）

<b>目的</b> 针对膝关节软骨手动分割效率低、主观性强的问题,开发一种基于深度学习的自动化分割模型,以提升骨关节炎（OA）早期诊断的准确性和效率。<b>方法</b> 提出空间注意力增强的Res-nnUnet模型,结合残差连接与门控注意力机制,优化特征融合策略。利用SK10公共数据库（800例）和临床单中心数据集[249例膝关节MRI,含T₁WI/质子密度加权成像（PDWI）序列]进行训练与验证,通过双盲标注建立&#x0201c;金标准&#x0201d;标签。<b>结果</b> Res-nnUnet在测试集上平均Dice相似系数（DSC）达89.0%,显著优于对比模型（Unet：77.9%,nn-Unet：85.3%,Res-Unet：79.7%,<em>P</em>&#x0003C;0.01）,其中股骨软骨与胫骨软骨的DSC分别为（77.0&#x000b1;0.86）%和（84.7&#x000b1;1.30）%,标准差低于其他模型。可视化结果显示其能精确识别股骨滑车沟（误差&#x0003C;0.5 mm）及胫骨平台后部薄层软骨（Hausdorff距离1.58 mm）。<b>结论</b> Res-nnUnet通过空间注意力机制有效提升了软骨细微结构的分割精度与稳定性,为OA的早期定量评估提供了可靠的自动化工具,具有显著的临床应用潜力。

来源：2026年第3期

《临床放射学》期刊编辑部

查看临床放射学杂志2026年第3期