当前位置:主页 > 医学论文 > 临床医学论文 >

基于改进U-Net深度网络在定量评估腕管综合征正中神经卡压中的应用

发布时间:2020-11-15 06:45
   目的:运用改进U-Net深度网络学习定量评价腕管综合征正中神经的超声图像,确定基于改进U-Net深度网络学习的卷积神经网络模型,探讨其在定量评估腕管综合征正中神经卡压中的应用价值。方法:搜集213例经肌电图确诊的腕管综合征正中神经卡压患者及104例健康志愿者,213例正中神经卡压患者中60例为双侧卡压。对317例受检者行超声检查,在腕管处保存超声图像,共得到正中神经图像377组。由擅长肌骨超声的医师对377组图像进行勾勒。应用基于改进U-net深度网络学习的卷积神经网络模型,分割腕管综合征卡压的正中神经超声图像,定量分析提取横切以及纵切的正中神经超声图像的影像组学量化特征。结果:改进的U-Net深度网络可以很好地识别切割正中神经;改进的U-Net深度网络可以定量表示CTS中卡压的正中神经回声减低,区域明暗参数A、明暗参数I、对比明暗参数RI以及纹理参数Homo、纹理不均匀参数Cont差异均有统计学意义(P=0.000)。结论:改进的U-Net模型在超声正中神经图像自动分割方面表现良好,可以定量分析腕管综合征正中神经卡压时灰度以及神经纹理均匀性。
【部分图文】:

效果图,纵切面,效果,分位数


改进U-Net深度网络可以定量表示CTS中卡压的正中神经回声减低,其中区域明暗参数A值有统计学意义(P=0.000);明暗参数I,包括I平均数(Imean)以及I中位数(Imedian),均有统计学意义(P=0.000,表1),表明在CTS中正中神经的回声减低;而明暗对比参数RI,包括RI95分位数(RIquantl95)、RI90分位数(RI90quantl90)、RI平均数(RImean)、RI中位数(RImedian)、RI平均数95分位数(RImean-quantl95)、RI平均数90分位数(RImean-quantl90)、RI中位数95分位数(RImedian-quantl95)以及RI中位数90分位数(RImedian-quantl90),均有统计学意义(P=0.000),表明在CTS中,即使不同操作者不同超声设备,即使在检查中调高增益,卡压的正中神经对比周围软组织的回声均减低。表1 改进U-Net深度网络定量验证CTS正中神经回声减低 指标 P值 平均数/中位数 标准差/四分位距 1为非正态分布 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=区域明暗参数,Imean=明暗参数均数,Imedian= 明暗参数中位数,RI=对比明暗参数,RImean=对比明暗参数均数,RImedian=对比明暗参数中位数,RI95分位数=RIquantl95、RI90分位数=RI90quantl90, RI平均数95分位数=RImean-quantl95、RI平均数90分位数=RImean-quantl90、RI中位数95分位数=RImedian-quantl95,RI中位数90分位数=RImedian-quantl90。当参数为非正态分布,参数值为中位数与四分位距,P值使用中位数与四分位距由KW检验计算;当参数符合正态分布时,参数值为均数与标准差,P值使用平均数与标准差由t检验计算。
【相似文献】

相关期刊论文 前9条

1 韩超;朱丽娜;刘想;刘伟鹏;张晓东;王霄英;;基于U-Net实现前列腺MR图像上腺体的自动分割和径线测量:临床植入验证研究[J];放射学实践;2020年04期

2 马明明;姜原;刘义;谢辉辉;张靖远;王祥鹏;刘伟鹏;张晓东;秦乃姗;王霄英;;U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析[J];放射学实践;2020年08期

3 何慧;陈胜;;改进预训练编码器U-Net模型的PET肿瘤自动分割[J];中国图象图形学报;2020年01期

4 芦玥;马瑜;王慧;王原;;基于U-Net的多图谱标签融合算法[J];液晶与显示;2019年11期

5 贺宝春;贾富仓;;基于组合U-Net网络的CT图像头颈放疗危及器官自动分割[J];集成技术;2020年02期

6 杜倩倩;强彦;李硕;杨晓棠;;基于空洞U-Net神经网络的PET图像重建算法[J];太原理工大学学报;2020年02期

7 黄锦威;萧文鹏;朱思婷;丘皓怡;陈星宇;刘深泉;;基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用[J];中国医学物理学杂志;2020年05期

8 肖亮;娄煜堃;周航宇;;用于SAR估计的基于U-Net网络的快速膝关节模型重建[J];波谱学杂志;2020年02期

9 董飒;杨海英;;高频超声在四肢神经卡压性病变诊断中的应用[J];影像研究与医学应用;2017年08期


相关博士学位论文 前1条

1 周解平;基于三维残差与U-Net混合网络的调强放疗自动计划方法研究[D];中国科学技术大学;2020年


相关硕士学位论文 前2条

1 许强;基于多尺度U-net的三维稀疏角度CT图像后处理算法研究[D];东南大学;2019年

2 刘远航;基于深度学习肺部CT图像分割算法研究[D];电子科技大学;2020年



本文编号:2884470

资料下载
论文发表

本文链接:https://www.wllwen.com/linchuangyixuelunwen/2884470.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户1c707***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com