基于深度学习的下肢淋巴水肿评估中组织自动分割研究

临床评估淋巴水肿（尤其是严重程度和液性纤维性病变）存挑战。研究人员开发深度学习分割工具，对下肢 CT 扫描行组织成分自动分析。模型经训练验证，DSC 达 0.945 - 0.999，VS 达 0.97 - 0.999，为淋巴水肿评估提供新手段。

　　淋巴水肿的临床评估，尤其在严重程度和液性纤维性病变方面，传统方法颇具挑战。本研究致力于开发并验证一种深度学习分割工具，用于下肢 CT 扫描中组织成分的自动分析。研究收集 118 例妇科癌症患者的下肢 CT 静脉造影扫描作为开发数据集，通过 3D slicer 对脂肪、肌肉和液性纤维性组织成分进行分割以创建参考标准。构建了基于 Unet++ 架构并以 EfficientNet-B7 为编码器的深度学习模型并进行训练。采用 Dice 相似系数（DSC）和体积相似性（VS），在内部验证集（n=10）和外部验证集（n=10）中对该深度学习模型的分割准确性进行验证，同时开发了用于可视化分割结果的图形用户界面（GUI）工具。
结果显示，该深度学习算法实现了高分割准确性。内部验证集中各成分及所有成分的平均 DSC 在 0.945 至 0.999 之间，外部验证集在 0.946 至 0.999 之间。VS 方面表现相似，所有成分的平均 VS 在 0.97 至 0.999 之间。体积分析表明，整个腿部及各成分的平均体积在参考标准和深度学习测量之间无显著差异（p>0.05）。GUI 可显示淋巴水肿映射，突出显示整个腿部分割的脂肪、肌肉和液性纤维性成分。
综上，该深度学习算法提供了一种自动分割工具，能够准确分割和测量组织成分体积，并进行淋巴水肿映射。