基于深度学习网络的手部X光图像自动形态测量分割分析

《BMC Medical Imaging》：Automated morphometric segmentation analysis of hand X-ray image using deep learning network

　　

摘要

背景

计算机视觉领域中深度学习的快速发展，使得人们越来越关注其在医学图像分析中的应用。虽然许多研究集中在磁共振和CT图像的形态测量上，但应用深度学习从手部X光图像中提取形态特征的研究相对较少。

目标

本研究旨在建立一种基于深度学习的方案，实现手部X光图像的高精度且高效的自动分割与形态特征提取。

方法

共收集了668张患者的手部X光图像，这些图像被随机分为498张训练图像（74.6%）、102张验证图像（15.2%）以及68张测试图像（10.2%）。研究中采用了nnU-net和YOLO深度学习模型组合来进行自动分割。并将这些结果与经验丰富的临床医生手动分割的结果进行对比，以此评估模型的准确性和整体性能。同时，还使用自定义程序从分割后的图像中提取形态特征，如指骨长度和指骨宽度。

结果

在nnU-net训练中，训练数据集的IoU值为0.9596，验证数据集的IoU值为0.9584。而在YOLOv8训练中，模型的准确率为0.9816，损失值为0.0627。在特征提取方面，自动提取结果与手动提取结果之间的皮尔逊系数、斯皮尔曼系数以及ICC值都表明，两种方法在95%的置信水平下具有一致性，且两者之间的平均差异接近于零。由此可见，所提出的方案既准确又精确。

结论

我们提出了一种两阶段、具有临床可解释性的手部X光分析流程，该流程结合了基于nnU-Net的手部感兴趣区域分割和YOLO的逐骨实例分割技术，随后自动提取指骨形态指标。除了报告分割/检测指标外，我们还通过相关性分析、ICC分析以及布兰德-阿尔特曼分析，将提取的形态指标与专家测量结果进行定量比较，结果表明两者在逐骨层面具有一致性，这也证明了该流程在标准化临床测量方面的潜在应用价值。