基于深度学习的膝关节CT图像自动分立准确性验证研究

划分人脑数学比对方法为PointRend_Unet。首先利用Unet因特网[9]作为主干因特网，对腰椎CT所示像来进行粗划分，然后运用于PointRend[10]对粗划分结果来进行简单划分，保证人脑既能适应CT所示像相异横截面骨性本体型态变化，也能获较很低的骨性本体大块划分正确性。

人脑架设总称两个过渡阶段。第1 过渡阶段：运用于3次下量化深造所示像的深层不同之处，然后来进行3 次上量化催化反应所示像不同之处信息。其里面，每个下量化层包括2个微分层和1 个池化层，微分层的微分连锁反应n-为3×3，池化层里面的步长n-为2×2，3 个下量化层里面的微分连锁反应n-共五128、256、512。每个上量化层包括1个反微分层和2 个微分层，反微分层的微分连锁反应n-为2×2，微分层的微分连锁反应n-为3×3，3个上量化层里面的微分连锁反应n-共五512、256、128。再次一次上量化结束后设于1个dropout层，droup-out率设置为0.7。每个微分层末尾均设于激活formula_，为reluformula_。

第2 过渡阶段：可选择一组概率数值为0.5 的点，分离出来被可选择点的不同之处。这些点的不同之处通过双线性插数值算出，运用于一个小型方差判断上述各点的类别。小型方差由2个微分层和3 个同类型连接层构成。见所示1。

所示 1 划分灵巧度对比所示

a. Unet；b. PointRend_Unet；c. 手动划分；d. 更早影像

通过人脑的划分，腰椎CT所示像信息分别形成肩胛骨、腱、颚骨和髌骨周围，再次通过可视化重建技术，生成可视化的目标骨性本体可视化模 型。见所示2。

所示 2 PointRend_Unet因特网架构所示

1.2.2 人脑的受训

数学比对方法受训同类型过程里面，设置标记信息的背景像素数值为0、肩胛骨为1、腱为2、颚骨为3、髌骨为4，受训的batch_size为6，设置深造率为0.000 1，最优化器为Adam最优化器，损失formula_为Dice loss。将受训集同类型部关入因特网来进行受训，根据受训同类型过程里面损失formula_的变化，修正受训批次的n-，最后得到各个部分的粗划分结果。转到PointRend计算机系统后，运用于双线性插数值先上量化前所一步划分数据比对结果，然后在这个非常分散的不同之处所示里面可选择N个最不确定的点，比如概率数值差不多0.5 的点。然后算出这N个点的不同之处声称，并且数据比对它们的标记数值，该同类型过程长期以来被重复，直到上量化到必必须的 n-。

见所示3。

所示 3 人脑的受训同类型过程

a. Dice 所示；b. Loss所示

1.2.3 人脑的评连锁反应

可选择次测试集100 例腰椎CT信息，对腱及肩胛骨通过人脑终端划分，算出评连锁反应划分正确性的涉及衡量，评论者该人脑受训的灵巧度。

评论者衡量：Dice下式[12]、最少表面靠近（average surface distance，ASD）[13]、豪斯多夫靠近（Hausdorff distance，HD）[11]，以及每个腰椎CT终端划分、手动划分所必需星期。

其里面，Dice下式是通过算出终端划分结果（AS）与手动划分结果（GT）错综复杂的交集n-与它们的并集n-比数值，加权两者也就是说总体，算出公式如下：

ASD 和HD 为靠近涉及表达式，其里面ASD 是终端划分结果大块所有点（B AS）与手动划分结果大块所有点（B GT）靠近的最少数值，算出公式如下：

HD 为终端划分结果大块点（AS）与手动划分结果数值得注意大块点（GT）错综复杂的最大靠近，算出公式如下：

1.3 划分灵巧度药理学评论者

从次测试集里面随机抽取60例病征信息，每例信息包括终端划分所示像、手动划分所示像和更早所示像。药理学评论者有别于单盲范例，由5 名骨关节外科医师（1名附属医院、2 名副附属医院、2名医师）概要更早所示像，对肩胛骨和腱里面影响一个大相对于的极为重要病理学家位点划分灵巧度来进行独立很低分。概要朱了了测验[14]，对划分灵巧度总称非常不允诺（1 分）、不允诺（2分）、一般来说（3 分）、允诺（4 分）、非常允诺 （5分）。

1.4 统计学比对方法

有别于 SPSS26.0统计应用程序来进行比对。计量资料来进行正态性连锁反应查，如符合对数，信息以均数±基准差声称，两种比对方法划分所必需星期相当有别于独立样本t连锁反应查，划分灵巧度药理学评论者相当有别于配对t连锁反应查；连锁反应查水准α=0.05。

2 结果

肩胛骨口Dice下式为0.953±0.037、ASD 为（0.076±0.048）mm、HD为（3.101±0.726） mm；腱口共五0.950±0.092、（0.083±0.101） mm、（2.984±0.740） mm。终端划分每个腰椎CT所示像信息所必需星期为（2.46±0.45） min，较手动划分（64.73±17.07） min 延长，差异有统计学意义（t=36.474，P

划分灵巧度药理学评论者显示，肩胛骨口终端划分组很低总称（4.3±0.3）分、手动划分组为（4.4±0.2）分，腱口很低分共五（4.5±0.2）、（4.5±0.3）分；肩胛骨口及腱口两组相当差异均无统计学意义（t=1.753， P=0.085；t=0.318，P=0.752）。

3 谈论

虽然无影像模式及超声等无射线暴露技术正试所示兴起[15]，但迄今为止药理学都用的TKA最初特别设计技术主要还是基于CT所示像，从病征的CT所示像里面分离出来腰椎可视化病理学家数学比对方法，用于后续手术方案。人工执行CT所示像信息不间断十分困难，充分利用重最初整理、终端、准确的腰椎CT所示像划分是TKA最初特别设计技术大覆盖范围药理学应用的极为重要。机器学习技术的工业发展促使了大量里面医影像终端划分系统的开发计划和分析，都用的人脑有deeplab或Unet等，这些比对方法理论上提很低了终端划分的安定性，提很低了疗程方案指导工作程序的效率[16-20]。

TKA术前所规画里面，一个大置于必必须概要重要的腰椎骨性病理学家标志、极为重要角度及轴线；为充分利用术前所方案，术里面必必须将方案涉及的骨性本体与实际腰椎来进行准确配准。这些都对腰椎CT所示像信息划分执行的正确性提出批评了非常很低敦促。迄今为止尚无一种人脑可以似乎满足TKA手术规画正确性的敦促。骨与软骨应用程序CT信号界限不明确导致CT所示像上骨性本体大块引人注意，以及CT所示像相接层与层错综复杂骨神经节假定不连续震荡，影响了终端划分的正确性。迄今为止分开的人脑数学比对方法次测试结果均假定上述问题，因此本分析在Unet输出后加入Point-Rend 计算机系统，对相对引人注意的边界来进行重最初划分，以达到骨性本体慢速灵巧划分。

迄今为止还没有独立评连锁反应终端划分灵巧度的基准[20]。本分析重点追捧所示像划分的大块灵巧度，因此选取了Dice下式、ASD、HD 3 个衡量。Dice下式是里面医所示像划分里面最都用的人脑划分灵巧度评论者衡量，声称PointRend_Unet划分结果与手动划分结果错综复杂的相似总体，能很好地看出划分灵巧度的内部可用情况。Dice下式覆盖范围是0～1，1 象征性划分结果和手动划分完同类型一致。ASD 和HD 是用来评论者里面医所示像划分灵巧度的靠近涉及表达式，并能很好地看出所示像大块的划分灵巧度。

ASD 声称划分所示像大块上所有的点与手动划分所示像大块点的最少靠近，并能较安定地看出主体划分结果，ASD越小声称人脑划分灵巧度越好。而HD声称划分所示像大块点与手动划分所示像数值得注意大块点错综复杂的最大靠近，相较于ASD，HD 对离群数值非常敏感，HD越小声称人脑划分灵巧度越好。Wu等[21]曾运用于算法对腰椎CT所示像上骨性本体来进行终端划分实验，证明了终端划分是可以充分利用的，且可以提很低划分速度，虽然结果显示表面靠近误差

Dice下式、ASD和HD 评论者结果提示，本分析架设的人脑架构正确性很低，终端划分执行所必需星期较手动划分明显延长。为进一步评论者其应用于药理学的可行性研究，本分析有别于朱了了测验对划分结果来进行了初步药理学评论者。结果显示终端划分结果与手术划分结果相似，可以用于TKA术前所可视化规画，兼具药理学应用可行性研究。

理上述， 基于浅层深造的腰椎CT所示像终端执行正确性很低，可以理论上提很低术前所方案的指导工作效率，对腰椎骨性本体的慢速可视化重建与划分，有利于TKA最初特别设计技术的慢速工业发展。

本文转载自其他网站，不象征性身心健康界观点和立场。如有内容和所示片的著作权异议，商量及时联系我们（邮箱：guikequan@hmkx.cn）

。

武汉白癜风医院挂号
苏州白癜风医院哪里好
广州牛皮癣医院哪家专业好
漳州妇科医院哪家比较专业
沈阳看儿科哪家专科医院好
气管炎引起的咳嗽如何治疗
急性支气管炎咳嗽怎么治
喉咙痒一直咳嗽不停怎么办
咳嗽黄痰可以喝太极急支糖浆吗
佝偻病