摘要
本文主要从以下几个部分展开论述： 第一部分 基于深度学习的L3椎旁肌自动分割测量系统效能的评估 目的:探讨应用深度学习神经网络开发CT数据L3椎旁肌肉自动分割测量系统的可行性。 方法:选择87例本院腰椎滑脱患者，其中男性20例，女性67例，年龄17～78岁(55.5±14.3岁)，共获取符合标准的L3节段椎板中间层面轴位CT图像295张。建立训练集:选取235张(80％)用于训练和验证，基于改进的U-net网络建立的深度学习神经网络模型，实现自动分割及测量L3椎旁肌退变参数。对功能性肌肉面积(functional muscle cross-sectional area,FCSA)、肌间脂肪面积(intermuscular fat cross-sectional area,IFCSA)、椎旁肌面积(total cross-sectional area,TCSA)进行自动分割与测量，并计算椎旁肌CT均值及脂肪浸润率(fat infiltration rate,FIR)。建立测试集:选取60张(20％)图像，均由2名医师人工分割测量图像的功能性肌肉面积、肌间脂肪面积、椎旁肌CT平均值及FIR,并与深度学习模型自动分割测量的结果进行比较。评价模型:使用平均像素精确度、平均交并比、Dice指数、Hausdorff距离综合评价模型分割效能,选用同类相关系数与Bland-Altman方法比较人工组与模型组测量结果的一致性。 结果:本研究的深度学习神经网络模型分割效能评估结果显示，整体椎旁肌MPA、MIoU和Dice均在0.90以上，Hausdorff距离为14.37。在测试集中，对于椎旁肌的总面积、CT均值与FIR,人工组与模型组组间ICC值分别为0.916、0.971、0.953,结果显示两种测量方法一致性高;椎旁肌面积:人工组为74.51±19.73cm2,模型组为71.04±17.55cm2;椎旁肌CT平均值:人工组为27.01±16.95Hu,模型组为28.03±13.46Hu;椎旁肌FIR:人工组为0.076±0.0437,模型组为0.0724±0.0458。Bland-Altman分析结果显示两种方法一致性高。 结论:深度学习神经网络模型对CT轴位图像的L3椎旁肌面积、CT平均值及脂肪浸润率自动识别、分割与测量的结果与人工测量结果相比，一致性表现良好。 第二部分 椎旁肌自动分割系统在腰椎滑脱术前评估的初步应用 目的:应用改进的U-Net深度学习神经网络自动测量分割系统，自动测量L3椎旁肌FIR并回顾性分析单节段腰椎滑脱症的危险因素，分析各因素预测单节段腰椎滑脱的效能。 方法:回顾性分析本院的55例单节段腰椎滑脱患者（男9例，女46例）与51例无腰椎滑脱的健康对照组（男13例，女38例）的L3椎旁肌CT数据集，收集两组临床资料并测量腰椎前凸角（lumbar lordosis,LL）和L3椎旁肌脂肪浸润率。FIR由改进的U-Net深度学习神经网络系统对腰椎CT轴位图像上的椎旁肌自动分割测量得到。采用二元单因素及多因素Logistics回归分析单节段腰椎滑脱的独立危险因素，采用受试者工作特征（ROC）曲线分析独立危险因素对单节段腰椎滑脱的预测效能。 结果:两组患者年龄、糖尿病史、LL与L3椎旁肌FIR间差异具有统计学差异（P均＜0.05）,二元单因素回归分析结果显示年龄、糖尿病史、LL与L3椎旁肌FIR均为腰椎滑脱的影响因素（P均＜0.05）;多因素Logistic回归分析结果显示年龄、LL与L3椎旁肌FIR是单节段腰椎滑脱的独立危险因素;探讨选用LL和L3椎旁肌FIR联合预测单节段腰椎滑脱效能，结果显示受试者工作特征曲线下面积（AUC）为0.871,敏感度为0.982,特异度为0.647。 结论:年龄、LL与L3椎旁肌FIR均为单节段腰椎滑脱的独立危险因素;LL与L3椎旁肌FIR联合预测单节段腰椎滑脱效能较单因素预测效能高。
NETL