基于深度学习的胎儿肺部分割从扩散加权 MRI 图像及胎儿生长受限的肺成熟度评估-计算机科学-深度学习-计算建模-医疗图像分割.pdfVIP

基于深度学习的胎儿肺部分割从扩散加权MRI图像

及胎儿生长受限的肺成熟度评估

ZhennanXiao,KatharineBrudkiewicz,ZhenYuan,Rosalind

Aughwane,MagdalenaSokolska,JoannaChappell,TrevorGaunt,

AnnaL.David,AndrewP.King,andAndrewMelbourne

SchoolofBiomedicalEngineeringandImagingSciences,King’sCollegeLondon,

London,UK

ElizabethGarrettAndersonInstituteforWomen’sHealth,UniversityCollege,

London,UK

本

UniversityCollegeLondonHospitalNHSFoundationTrust,London,UK

译DepartmentofMedicalPhysicsandBiomedicalEngineering,UniversityCollege

中LondonHospitals,London,UK

1DepartmentofRadiology,UniversityCollegeLondonHospitalsNHSFoundation

vTrust,London,UnitedKingdom

6

0

1

3

1摘要胎儿肺成熟度是预测新生儿结果和产后干预需求的关键指标，特别

7.是对于受胎儿生长受限影响的妊娠。体素内不相干运动分析在非侵入性评

0估胎儿肺发育方面显示出有希望的结果，但其依赖于手动分割耗时较长，

5从而限制了其临床应用范围。在这项工作中，我们提出了一种用于扩散加

2

:权磁共振图像的自动化肺成熟度评价流程，该流程由基于深度学习的胎儿

v

i肺分割模型和拟合模型的肺成熟度评估组成。使用从4D扩散加权MRI扫

x

r描的基本帧中选择的手动分割图像对3DnnU-Net模型进行了训练。分割

a模型表现出了稳健性能，平均Dice系数为82.14%。接下来，基于nnU-Net

预测和手动肺分割进行体素级模型拟合以量化反映组织微观结构和灌注的

IVIM参数。结果表明两种方法之间没有差异。我们的工作展示了完全自