临床放射学杂志

作者：严一帆, 王可欣, 张耀峰, 席祖强, 王慧慧, 王霄英

单位：100034 北京大学第一医院医学影像科（严一帆、王慧慧、王霄英）;100069 首都医科大学基础医学院（王可欣）;100011 北京赛迈特锐医学科技有限公司（张耀峰、席祖强）

关键词：深度学习,子宫,子宫内膜癌,自动分割

<b>目的</b> 探索使用3D U-Net深度学习模型在MR图像上进行子宫及子宫内膜癌自动分割的可行性。<b>方法</b> 回顾性搜集两组MR图像分别用于模型训练和模型验证。模型训练队列共纳入237例患者的检查,所有动态对比增强（DCE）序列共计5558个,用于训练子宫分割模型;DCE第5期及之后序列共计4589个,用于训练子宫内膜癌分割模型。将模型训练队列按8&#x02236;1&#x02236;1的比例随机分为训练集（<em>n</em>=4433、3692）、调优集（<em>n</em>=577、457）和测试集（<em>n</em>=548、440）。模型验证队列共纳入51例患者的检查,选取病灶显示清晰的序列,共计675个,用于模型效能的验证。由一名住院医师对扫描范围内子宫及子宫内膜癌进行逐层标注,再由一名高年资医师对标签进行审核、修改后确认,作为金标准。使用Dice 相似系数（DSC）、体积相似度（VS）和平均豪期多夫距离（HD）评价分割模型的效能。<b>结果</b> 子宫分割模型的DSC为0.947,VS为0.981,HD为0.095 mm;子宫内膜癌分割模型的DSC为0.810,VS为0.935, HD为0.560 mm。各个数据集之间的上述指标的差异均有统计学意义（<em>P</em>&#x0003C;0.001）。<b>结论</b> 3D U-Net深度学习模型可用于MR图像中子宫和子宫内膜癌的自动分割。

来源：2025年第8期

《临床放射学》期刊编辑部

查看临床放射学杂志2025年第8期