来源：期刊VIP网 时间：
作者：朱磊;邱祥龙;沙俊诚;王朝;苟亚博;张雷鸣;张庆桥;
单位：徐州医科大学附属医院介入放射科,江苏省布加综合征诊疗中心;蚌埠医科大学第一附属医院介入中心;
摘要：目的 评估深度学习（deep learning, DL）模型在布加综合征（Budd-Chiari syndrome, BCS）患者增强三维磁共振血管成像（three dimensional-magnetic resonance angiography, 3D-MRA）图像中对肝脏和血管的分割性能，并评估不同影像医生对其分割结果的一致性。材料与方法 回顾性分析220例BCS患者的MRA图像，两名分别具有8和12年经验的影像医生对图像进行手动分割，DL模型通过对手动分割结果的特征提取后自动分割图像。使用Dice相似性系数（Dice similarity coefficient, DSC）、敏感度、特异度和准确度评估DL模型的分割性能，通过受试者工作特征（receiver operating characteristics, ROC）曲线下面积（area under the curve, AUC）比较不同影像医生分割结果与DL模型之间的一致性，通过组内相关系数（intra-class correlation coefficient, ICC）和Wilcoxon配对检验评估不同影像医生对DL模型分割结果的一致性。结果 DL模型分割肝脏、下腔静脉和肝静脉的DSC分别为0.93、0.84、0.65；敏感度分别为92%、81%、73%；特异度分别为93%、93%、76%；准确度分别为95%、94%、86%,AUC分别为0.95、0.87、0.71。两名影像医生和DL模型在BCS患者的肝脏和血管识别中AUC值差异无统计学意义（P>0.05），两名影像医生对DL模型分割结果的主观评价结果差异无统计学意义（P>0.05），总分ICC值为0.94(95%CI:0.92～0.95)。结论 DL模型对BCS患者的增强3D-MRA图像有较好的分割性能，且对于DL模型所分割的图像，不同影像医生之间的判定结果表现出很好的一致性。
关键词：布加综合征;;深度学习;;磁共振血管成像;;磁共振成像;;分割
基金资助：徐州市重点研发计划（社会发展）项目（编号：KC22239）~~
