目的:運(yùn)用改進(jìn)U-Net深度網(wǎng)絡(luò)學(xué)習(xí)定量評價腕管綜合征正中神經(jīng)的超聲圖像,確定基于改進(jìn)U-Net深度網(wǎng)絡(luò)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型,探討其在定量評估腕管綜合征正中神經(jīng)卡壓中的應(yīng)用價值。方法:搜集213例經(jīng)肌電圖確診的腕管綜合征正中神經(jīng)卡壓患者及104例健康志愿者,213例正中神經(jīng)卡壓患者中60例為雙側(cè)卡壓。對317例受檢者行超聲檢查,在腕管處保存超聲圖像,共得到正中神經(jīng)圖像377組。由擅長肌骨超聲的醫(yī)師對377組圖像進(jìn)行勾勒。應(yīng)用基于改進(jìn)U-net深度網(wǎng)絡(luò)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型,分割腕管綜合征卡壓的正中神經(jīng)超聲圖像,定量分析提取橫切以及縱切的正中神經(jīng)超聲圖像的影像組學(xué)量化特征。結(jié)果:改進(jìn)的U-Net深度網(wǎng)絡(luò)可以很好地識別切割正中神經(jīng);改進(jìn)的U-Net深度網(wǎng)絡(luò)可以定量表示CTS中卡壓的正中神經(jīng)回聲減低,區(qū)域明暗參數(shù)A、明暗參數(shù)I、對比明暗參數(shù)RI以及紋理參數(shù)Homo、紋理不均勻參數(shù)Cont差異均有統(tǒng)計學(xué)意義(P=0.000)。結(jié)論:改進(jìn)的U-Net模型在超聲正中神經(jīng)圖像自動分割方面表現(xiàn)良好,可以定量分析腕管綜合征正中神經(jīng)卡壓時灰度以及神經(jīng)紋理均勻性。
【部分圖文】：

改進(jìn)U-Net深度網(wǎng)絡(luò)可以定量表示CTS中卡壓的正中神經(jīng)回聲減低,其中區(qū)域明暗參數(shù)A值有統(tǒng)計學(xué)意義(P=0.000);明暗參數(shù)I,包括I平均數(shù)(Imean)以及I中位數(shù)(Imedian),均有統(tǒng)計學(xué)意義(P=0.000,表1),表明在CTS中正中神經(jīng)的回聲減低;而明暗對比參數(shù)RI,包括RI95分位數(shù)(RIquantl95)、RI90分位數(shù)(RI90quantl90)、RI平均數(shù)(RImean)、RI中位數(shù)(RImedian)、RI平均數(shù)95分位數(shù)(RImean-quantl95)、RI平均數(shù)90分位數(shù)(RImean-quantl90)、RI中位數(shù)95分位數(shù)(RImedian-quantl95)以及RI中位數(shù)90分位數(shù)(RImedian-quantl90),均有統(tǒng)計學(xué)意義(P=0.000),表明在CTS中,即使不同操作者不同超聲設(shè)備,即使在檢查中調(diào)高增益,卡壓的正中神經(jīng)對比周圍軟組織的回聲均減低。表1 改進(jìn)U-Net深度網(wǎng)絡(luò)定量驗(yàn)證CTS正中神經(jīng)回聲減低 指標(biāo) P值 平均數(shù)/中位數(shù) 標(biāo)準(zhǔn)差/四分位距 1為非正態(tài)分布 A 4.43×10-9 0.293715 0.167939 1 Imean 1.35×10-20 49.58499 29.7533 1 Imedian 1.30×10-17 45 30 1 RImean 3.51×10-25 0.760146 0.177648 1 RImedian 0.000 0.798438 0.198139 1 RIquantl90 9.82×10-43 0.714719 0.214834 1 RIquantl95 6.29×10-41 0.709131 0.28933 1 RImean-quantl90 3.57×10-26 0.522433 0.092618 0 RImean-quantl95 1.06×10-30 0.348128 0.140247 1 RImedian-quantl90 4.94×10-20 0.473851 0.107941 0 RImedian-quantl95 1.7×10-24 0.308219 0.152024 1 注:A=區(qū)域明暗參數(shù),Imean=明暗參數(shù)均數(shù),Imedian= 明暗參數(shù)中位數(shù),RI=對比明暗參數(shù),RImean=對比明暗參數(shù)均數(shù),RImedian=對比明暗參數(shù)中位數(shù),RI95分位數(shù)=RIquantl95、RI90分位數(shù)=RI90quantl90, RI平均數(shù)95分位數(shù)=RImean-quantl95、RI平均數(shù)90分位數(shù)=RImean-quantl90、RI中位數(shù)95分位數(shù)=RImedian-quantl95,RI中位數(shù)90分位數(shù)=RImedian-quantl90。當(dāng)參數(shù)為非正態(tài)分布,參數(shù)值為中位數(shù)與四分位距,P值使用中位數(shù)與四分位距由KW檢驗(yàn)計算;當(dāng)參數(shù)符合正態(tài)分布時,參數(shù)值為均數(shù)與標(biāo)準(zhǔn)差,P值使用平均數(shù)與標(biāo)準(zhǔn)差由t檢驗(yàn)計算。
【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 韓超;朱麗娜;劉想;劉偉鵬;張曉東;王霄英;;基于U-Net實(shí)現(xiàn)前列腺M(fèi)R圖像上腺體的自動分割和徑線測量:臨床植入驗(yàn)證研究[J];放射學(xué)實(shí)踐;2020年04期

2 馬明明;姜原;劉義;謝輝輝;張靖遠(yuǎn);王祥鵬;劉偉鵬;張曉東;秦乃姍;王霄英;;U-Net深度學(xué)習(xí)模型對DCE-MRI上乳腺腫塊自動分割和定位的準(zhǔn)確性分析[J];放射學(xué)實(shí)踐;2020年08期

3 何慧;陳勝;;改進(jìn)預(yù)訓(xùn)練編碼器U-Net模型的PET腫瘤自動分割[J];中國圖象圖形學(xué)報;2020年01期

4 蘆玥;馬瑜;王慧;王原;;基于U-Net的多圖譜標(biāo)簽融合算法[J];液晶與顯示;2019年11期

5 賀寶春;賈富倉;;基于組合U-Net網(wǎng)絡(luò)的CT圖像頭頸放療危及器官自動分割[J];集成技術(shù);2020年02期

6 杜倩倩;強(qiáng)彥;李碩;楊曉棠;;基于空洞U-Net神經(jīng)網(wǎng)絡(luò)的PET圖像重建算法[J];太原理工大學(xué)學(xué)報;2020年02期

7 黃錦威;蕭文鵬;朱思婷;丘皓怡;陳星宇;劉深泉;;基于對抗訓(xùn)練的U-Net神經(jīng)網(wǎng)絡(luò)在稀疏投影CT圖像增強(qiáng)的應(yīng)用[J];中國醫(yī)學(xué)物理學(xué)雜志;2020年05期

8 肖亮;婁煜堃;周航宇;;用于SAR估計的基于U-Net網(wǎng)絡(luò)的快速膝關(guān)節(jié)模型重建[J];波譜學(xué)雜志;2020年02期

9 董颯;楊海英;;高頻超聲在四肢神經(jīng)卡壓性病變診斷中的應(yīng)用[J];影像研究與醫(yī)學(xué)應(yīng)用;2017年08期

相關(guān)博士學(xué)位論文 前1條

1 周解平;基于三維殘差與U-Net混合網(wǎng)絡(luò)的調(diào)強(qiáng)放療自動計劃方法研究[D];中國科學(xué)技術(shù)大學(xué);2020年

相關(guān)碩士學(xué)位論文 前2條

1 許強(qiáng);基于多尺度U-net的三維稀疏角度CT圖像后處理算法研究[D];東南大學(xué);2019年

2 劉遠(yuǎn)航;基于深度學(xué)習(xí)肺部CT圖像分割算法研究[D];電子科技大學(xué);2020年

本文編號：2884470