目的 通过机器学习大量影像诊断明确的膝关节软骨不同程度病变的磁共振图像,实现膝关节软骨评分的自动分类和分割并评价其准确性,具有监测骨关节炎(osteoarthritis,OA)发生和发展过程的应用价值.材料与方法 回顾性纳入590例膝关节磁共振3.0 T数据.自动分类数据557例;自动分割数据33例,其中27个数据用于训练,6个数据用于测试.在深度学习的基础上利用迁移学习方法,基于两种神经网络模型,即V型网络和Inception网络,进行自动分割和分类.软骨的分割由放射科医师进行手工标注,以进行比较.软骨的分类由放射科医师依据全器官磁共振成像评分(whole-organ magnetic resonance imaging score,WORMS)分区方法及Recht评分标准进行评分;自动分割精度的量化指标使用Dice相似性系数.结果 所有膝关节骨骼自动分割的Dice相似性系数值(dice similarity coefficient value,DSC)均在0.90以上,膝关节软骨自动分割的Dice相似性系数值均在0.70以上,表明本研究提出的自动分割方法能准确地分割膝关节骨骼和软骨.结论 利用深度神经网络建立了一种膝关节自动分割和软骨病变分类的方法,V型网络和Inception网络展示了快速生成准确分割和分类结果的效率和精确度,可以得到较准确的结果,有助于提取形态特征,具有监测和诊断OA的价值,为影像
作者：司莉萍；宣锴；姚伟武
来源：磁共振成像 2018 年 9卷 12期
