基于深度学习的MRI影像女性尿控解剖元件及相关结构的自动分割

张子沁; 吴毅; 张小勤; 徐洲; 雷玲; 王延洲; 王艳

doi:10.16016/j.2097-0927.202406055

您当前的位置：

首页 >

文章列表页 >

基于深度学习的MRI影像女性尿控解剖元件及相关结构的自动分割

专题报道 | 更新时间：2025-07-25

- 基于深度学习的MRI影像女性尿控解剖元件及相关结构的自动分割
- Automatic segmentation of female urine control anatomical elements and related structures in MRI images based on deep learning
- 陆军军医大学学报 2025年47卷第14期页码：1568-1576
- 作者机构：
  
  1.重庆师范大学数学科学学院，重庆；陆军军医大学（第三军医大学）
  2.重庆师范大学数学科学学院，生物医学工程与影像医学系数字医学教研室
  3.安顺人民医院妇科，贵州安顺
  4.重庆师范大学数学科学学院，第一附属医院妇产科，重庆
- 作者简介：
  
  王艳，E-mail：wycq2006@sina.com
- 基金信息：
  
  国家自然科学基金(31971113);重庆市自然科学基金(CSTB2023NSCQ-LZX0054)
- DOI：10.16016/j.2097-0927.202406055
  中图分类号： R319;R322.63;R445.2
- 收稿日期：2024-06-17，
  
  修回日期：2024-07-22，
  
  纸质出版日期：2025-07-30
- 稿件说明：
移动端阅览
‍张子沁，吴毅，张小勤，等.基于深度学习的MRI影像女性尿控解剖元件及相关结构的自动分割［J］.陆军军医大学学报，2025，47（14）：1568-1576.DOI：10.16016/j.2097-0927.202406055.

ZHANG Z Q，WU Y，ZHANG X Q，et al.Automatic segmentation of female urine control anatomical elements and related structures in MRI images based on deep learning［J］.J Army Med Univ，2025，47（14）：1568-1576.DOI：10.16016/j.2097-0927.202406055.
‍张子沁，吴毅，张小勤，等.基于深度学习的MRI影像女性尿控解剖元件及相关结构的自动分割［J］.陆军军医大学学报，2025，47（14）：1568-1576.DOI：10.16016/j.2097-0927.202406055. DOI：

ZHANG Z Q，WU Y，ZHANG X Q，et al.Automatic segmentation of female urine control anatomical elements and related structures in MRI images based on deep learning［J］.J Army Med Univ，2025，47（14）：1568-1576.DOI：10.16016/j.2097-0927.202406055. DOI：

摘要

目的

基于深度学习方法，运用自动分割模型分割MRI影像下女性尿控解剖元件结构，提高分割效率和准确率。

方法

以来自陆军军医大学生物医学工程与影像医学系的49例女性盆底肌肉MRI图像（其中不同程度的盆腔脏器脱垂病例30例，正常人19例）作为数据集对模型进行训练和测试，按照8∶2的比例划分为训练集和测试集，最终选取17例正常人和22例盆腔脏器脱垂病例作为训练集，4例正常人和6例盆腔脏器脱垂病例作为测试集。将训练集放入UNet、UNet+++、Dense UNet以及UNet++模型分别训练，再将测试集放入网络中进行精度测试，选取精度最高的模型作为主干网络。

结果

在UNet、UNet+++、Dense UNet以及UNet++模型的训练下，4个模型得到尿道压肌、尿道括约肌主体部、膀胱壁、膀胱腔、尿道黏膜下层5种结构的平均Dice相似性系数分别为61.82%、57.94%、57.63%和62.76%，交并比分别为49.74%、46.59%、46.07%和49.44%，准确率分别为61.74%、55.03%、59.23%和61.91%。结果显示UNet++的3个指标基本高于UNet、UNet+++、Dense UNet的指标，表明UNet++总体分割精度最优。

结论

利用UNet、UNet+++、Dense UNet以及UNet++模型对女性盆底尿道压肌、尿道括约肌主体部、膀胱壁、膀胱腔、尿道黏膜下层5种结构进行了自动分割，其中UNet++总体分割精度最优。

Abstract

Objective‍　‍To construct an automatic segmentation model to segment female urine control anatomy on MRI images based on deep learning methods in order to improve the segmentation efficiency and accuracy. Methods‍　‍A dataset comprising 49 female pelvic floor muscle MRI images [30 women with varying degrees of pelvic organ prolapse (POP) and 19 healthy individuals]

obtained from Faculty of Biomedical Engineering and Medical Imaging in Army Medical University

was used for model training and testing. The dataset was split into a training set (17 normal cases and 22 POP cases) and a testing set (4 normal cases and 6 POP cases) in a ratio of 8∶2. The training set was used to train UNet

UNet+++

Dense UNet

and UNet++ models separately

and then input into each network. The model achieving the highest testing accuracy was selected as the backbone network. Results‍　‍Under the training of UNet

UNet+++

Dense UNet

and UNet++

the 4 models achieved average Dice similarity coefficients of 61.82%

57.94%

57.63%

and 62.76%

respectively

for the segmentation of 5 anatomical structures (compressor urethrae

urethra sphincter body

bladder wall

bladder cavity and urethra submucosa). The corresponding Intersection over Union (IoU) score was 49.74%

46.59%

46.07%

and 49.44%

while the accuracy rate was 61.74%

55.03%

59.23%

and 61.91%

respectively for the 4 models. Notably

UNet++ consistently outperformed UNet

UNet+++

and Dense UNet across the 3 metrics

indicating that UNet++ achieved the highest overall segmentation accuracy. Conclusion‍　‍In UNet

UNet++

Dense UNet and UNet++ for automatic segmentation of 5 female urine control anatomical elements

UNet++ achieves the best overall segmentation accuracy.

关键词

Keywords

references

HUANG C W C ， TSENG I J ， YANG S W ， et al . Lumbar muscle volume in postmenopausal women with osteoporotic compression fractures： quantitative measurement using MRI ［J］. Eur Radiol ， 2019 ， 29 （ 9 ）： 4999 - 5006 . DOI： 10.1007/s00330-019-06034-w http://dx.doi.org/10.1007/s00330-019-06034-w .

WU Y ， DABHOIWALA N F ， HAGOORT J ， et al . Architectural differences in the anterior and middle compartments of the pelvic floor of young-adult and postmenopausal females ［J］. J Anat ， 2017 ， 230 （ 5 ）： 651 - 663 . DOI： 10.1111/joa.12598 http://dx.doi.org/10.1111/joa.12598 .

WANG Y Y ， YAO J ， CHEN N ， et al . Study of female pelvic floor muscle in overactive bladder based on MRI 3D reconstruction ［J］. BMC Urol ， 2022 ， 22 （ 1 ）： 132 . DOI： 10.1186/s12894-022-01090-9 http://dx.doi.org/10.1186/s12894-022-01090-9 .

吴毅，张小勤 . 人工智能在医学图像处理中的研究进展与展望［J］. 第三军医大学学报， 2021 ， 43 （ 18 ）： 1707 - 1712 . DOI： 10.16016/j.1000-5404.202106194 http://dx.doi.org/10.16016/j.1000-5404.202106194 .

WU Y ， ZHANG X Q . Artificial intelligence in medical image processing： progress and prospect ［J］. J Third Mil Med Univ ， 2021 ， 43 （ 18 ）： 1707 - 1712 . DOI： 10.16016/j.1000-5404.202106194 http://dx.doi.org/10.16016/j.1000-5404.202106194 .

SIDDIQUE N ， PAHEDING S ， ELKIN C P ， et al . U-Net and its variants for medical image segmentation： a review of theory and applications ［J］. IEEE Access ， 2021 ， 9 ： 82031 - 82057 . DOI： 10.1109/ACCESS.2021.3086020 http://dx.doi.org/10.1109/ACCESS.2021.3086020 .

ZHOU Z W ， RAHMAN SIDDIQUEE M M ， TAJBAKHSH N ， et al . UNet++： a nested U-Net architecture for medical image segmentation ［C］// Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support . Cham ： Springer International Publishing ， 2018 ： 3 - 11 . DOI： 10.1007/978-3-030-00889-5_1 http://dx.doi.org/10.1007/978-3-030-00889-5_1 .

HUANG H M ， LIN L F ， TONG R F ， et al . UNet 3： a full-scale connected UNet for medical image segmentation ［C］// International Conference on Acoustics， Speech and Signal Processing 2020 . IEEE ， 2020 ： 1055 - 1059 . DOI： 10.1109/ICASSP40776.2020.9053405 http://dx.doi.org/10.1109/ICASSP40776.2020.9053405 .

CAI S J ， TIAN Y X ， LUI H ， et al . Dense-UNet： a novel multiphoton in vivo cellular image segmentation model based on a convolutional neural network ［J］. Quant Imaging Med Surg ， 2020 ， 10 （ 6 ）： 1275 - 1285 . DOI： 10.21037/qims-19-1090 http://dx.doi.org/10.21037/qims-19-1090 .

GUO Y R ， GAO Y Z ， SHEN D G . Deformable MR prostate segmentation via deep feature learning and sparse patch matching ［J］. IEEE Trans Med Imaging ， 2016 ， 35 （ 4 ）： 1077 - 1089 . DOI： 10.1109/TMI.2015.2508280 http://dx.doi.org/10.1109/TMI.2015.2508280 .

LAVDAS I ， GLOCKER B ， KAMNITSAS K ， et al . Fully automatic， multiorgan segmentation in normal whole body magnetic resonance imaging （MRI）， using classification forests （CFs）， convolutional neural networks （CNNs）， and a multi-atlas （MA） approach ［J］. Med Phys ， 2017 ， 44 （ 10 ）： 5210 - 5220 . DOI： 10.1002/mp.12492 http://dx.doi.org/10.1002/mp.12492 .

BELLO G A ， DAWES T J W ， DUAN J M ， et al . Deep learning cardiac motion analysis for human survival prediction ［J］. Nat Mach Intell ， 2019 ， 1 ： 95 - 104 . DOI： 10.1038/s42256-019-0019-2 http://dx.doi.org/10.1038/s42256-019-0019-2 .

ZHANG X Q ， XIANG Y J ， YAO J ， et al . Automatic segmentation of the female pelvic floor muscles on MRI for pelvic floor function assessment ［J］. Quant Imaging Med Surg ， 2023 ， 13 （ 7 ）： 4181 - 4195 . DOI： 10.21037/qims-22-1198 http://dx.doi.org/10.21037/qims-22-1198 .

LI X ， HONG Y ， KONG D X ， et al . Automatic segmentation of levator hiatus from ultrasound images using U-Net with dense connections ［J］. Phys Med Biol ， 2019 ， 64 （ 7 ）： 075015 . DOI： 10.1088/1361-6560/ab0ef4 http://dx.doi.org/10.1088/1361-6560/ab0ef4 .

胡鹏辉，王娜，王毅，等 . 基于全卷积神经网络的肛提肌裂孔智能识别［J］. 深圳大学学报（理工版）， 2018 ， 35 （ 3 ）： 316 - 323 . DOI： 10.3724/SP.J.1249.2018.03316 http://dx.doi.org/10.3724/SP.J.1249.2018.03316 .

HU P H ， WANG N ， WANG Y ， et al . Automatic recognition of levator hiatus based on fully convolutional neural networks ［J］. J Shenzhen Univ Sci Eng ， 2018 ， 35 （ 3 ）： 316 - 323 . DOI： 10.3724/SP.J.1249.2018.03316 http://dx.doi.org/10.3724/SP.J.1249.2018.03316 .

WOO S ， PARK J ， LEE J Y ， et al . CBAM： convolutional block attention module ［C］// Computer Vision—ECCV 2018 . Cham ： Springer International Publishing ， 2018 ： 3 - 19 . DOI： 10.1007/978-3-030-01234-2_1 http://dx.doi.org/10.1007/978-3-030-01234-2_1 .

VAN DEN BERG I ， SPAANS R N ， WESSELS F J ， et al . Automated pelvic MRI measurements associated with urinary incontinence for prostate cancer patients undergoing radical prostatectomy ［J］. Eur Radiol Exp ， 2024 ， 8 （ 1 ）： 1 . DOI： 10.1186/s41747-023-00402-4 http://dx.doi.org/10.1186/s41747-023-00402-4 .

ZHOU Q ， CHEN Z ， WU B ， et al . A pilot study： detrusor overactivity diagnosis method based on deep learning ［J］. Urology ， 2023 ， 179 ： 188 - 195 . DOI： 10.1016/j.urology. 2023.04.030 http://dx.doi.org/10.1016/j.urology.2023.04.030 .

AKKUS Z ， KIM B H ， NAYAK R ， et al . Fully automated segmentation of bladder sac and measurement of detrusor wall thickness from transabdominal ultrasound images ［J］. Sensors （Basel）， 2020 ， 20 （ 15 ）： 4175 . DOI： 10.3390/s20154175 http://dx.doi.org/10.3390/s20154175 .

CHO Y ， YOUN S . Intravesical bladder treatment and deep learning applications to improve irritative voiding symptoms caused by interstitial cystitis： a literature review ［J］. Int Neurourol J ， 2023 ， 27 （ Suppl 1 ）： S13 - S20 . DOI： 10.5213/inj.2346106.053 http://dx.doi.org/10.5213/inj.2346106.053 .

JIN J ， CHUNG Y ， KIM W ， et al . Classification of bladder emptying patterns by LSTM neural network trained using acoustic signatures ［J］. Sensors （Basel）， 2021 ， 21 （ 16 ）： 5328 . DOI： 10.3390/s21165328 http://dx.doi.org/10.3390/s21165328 .

CRESWELL A ， WHITE T ， DUMOULIN V ， et al . Generative adversarial networks： an overview ［J］. IEEE Signal Process Mag ， 2018 ， 35 （ 1 ）： 53 - 65 . DOI： 10.1109/MSP.2017.2765202 http://dx.doi.org/10.1109/MSP.2017.2765202 .

LARSEN A B L ， SØNDERBY S K ， LAROCHELLE H ， et al . Autoencoding beyond pixels using a learned similarity metric ［C］// Proceedings of the 33rd International Conference on International Conference on Machine Learning . PMLR ， 2016 ： 1558 - 1566 . DOI： 10.5555/3045390.3045555 http://dx.doi.org/10.5555/3045390.3045555 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于DenseUnet模型的核磁共振图像下肛提肌的自动分割

识别脑卒中微小病灶的多维度图像分割模型和系统开发

基于CT影像的3D ResNet18模型在肺结核耐药性识别中的预测性能研究

深度学习和磁共振图像辅助脑胶质瘤基因分型的研究进展

基于小波变换和CNN-Transformer的超声甲状腺结节分割算法研究