✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅成品或者定制，扫描文章底部微信二维码。
(1) 深度学习自动分割模型的构建、训练与多维度性能验证 本研究收集了本院87例确诊腰椎滑脱患者的L3层面轴位CT图像共295张（其中男性20例、女性67例，年龄17-78岁，平均55.5±14.3岁），所有图像均采用相同扫描参数（120kV，250mAs，层厚1-3mm）。由两名具有10年以上经验的骨科影像诊断医师在3D Slicer软件中独立完成椎旁肌（双侧）区域的手动分割，采用共识机制解决分歧后形成金标准标签。数据集按8:1:1比例划分为训练集（235张）、验证集（30张）和独立测试集（30张）。模型采用改进的U-Net架构，编码器部分使用ResNet-34预训练骨干以增强特征提取能力，解码器融入注意力门控机制（Attention Gate）以突出椎旁肌区域、抑制背景和骨骼干扰，同时在跳跃连接处添加多尺度特征融合模块（ASPP）以更好地捕捉肌群边界和内部脂肪分布的细微变化。训练采用Dice Loss与Focal Loss加权组合损失，优化器为AdamW，初始学习率1e-3，配合余弦退火调度和Warm-up策略，批大小为8，训练200个epoch。性能评估采用多种国际公认指标：平均像素精度（MPA）、平均交并比（MIoU）、Dice系数、Hausdorff距离（HD95）、平均表面距离（ASD）以及95%一致性界限。测试集结果显示，模型对椎旁肌整体区域的Dice系数达到0.923，MIoU为0.912，HD95为13.8像素，ASD为1.7像素，均优于原始U-Net和Attention U-Net。与人工测量结果比较，FCSA、TCSA、CT均值、FIR等量化指标的组内相关系数（ICC）分别达到0.916、0.971、0.953和0.962，Bland-Altman分析显示系统性偏差极小（均值差<2%），95%一致性界限均在临床可接受范围内。上述结果充分证明该自动分割系统在分割精度、一致性和重复性方面均达到甚至超过人工水平，可作为临床常规工具替代手动测量。
(2) 椎旁肌脂肪浸润率在单节段腰椎滑脱术前风险评估中的临床应用 利用训练完成的模型对本院55例单节段腰椎滑脱患者（男9例、女46例，平均年龄58.2±12.7岁）与51例年龄性别匹配的无滑脱健康对照组（男13例、女38例，平均年龄56.4±11.9岁）的L3层面CT图像进行批量自动分割与参数测量，同时收集临床资料包括年龄、性别、体重指数（BMI）、糖尿病史、高血压史、吸烟史、腰椎前凸角（LL）、骨密度T值等变量。统计分析采用SPSS 26.0软件，组间比较使用独立样本t检验或Mann-Whitney U检验，危险因素筛选采用二元单因素Logistic回归，独立危险因素确认采用多因素逐步Logistic回归，预测效能评价采用ROC曲线及曲线下面积（AUC）。结果显示，滑脱组与对照组在年龄、糖尿病史、腰椎前凸角减小以及L3椎旁肌FIR升高方面差异具有统计学意义（P均<0.05）。单因素回归分析表明年龄、糖尿病史、LL减小、FIR升高均为腰椎滑脱的危险因素（OR值分别为1.08、2.67、0.89、1.45，P均<0.05）。多因素回归进一步确认年龄、LL和FIR为独立危险因素（调整后OR分别为1.06、0.91、1.38，P<0.05）。将LL和FIR联合构建预测模型，ROC曲线下面积达0.871（95%CI 0.812-0.930），敏感度0.982，特异度0.647，优于单因素预测（FIR单独AUC 0.762，LL单独AUC 0.718）。上述结果表明，L3椎旁肌FIR作为一种客观、可重复的影像学生物标志物，与腰椎前凸角联合可显著提高单节段腰椎滑脱的术前风险预测效能，有助于临床医师早期识别高危患者、优化手术时机和方式，并为术后功能恢复评估提供基线数据。
(3) 系统集成、临床部署与未来扩展方向 整个自动分割系统已封装为独立软件，支持DICOM格式直接导入、自动层面定位（基于脊柱中心线检测）、一键分割与参数计算、报告生成（含量化指标图表、分割掩膜叠加图像）。系统在普通工作站（NVIDIA RTX 3080）上单张图像处理时间<3秒，满足临床实时应用需求。未来计划扩展至多层面（L1-L5）三维分割、MRI模态支持、纵向随访退变趋势分析以及与电子病历系统的对接，为构建腰椎退行性疾病全周期影像学评估平台提供技术支撑。
import torch import torch.nn as nn import torch.nn.functional as F class AttentionGate(nn.Module): def __init__(self, F_g, F_l, F_int): super().__init__() self.W_g = nn.Sequential( nn.Conv2d(F_g, F_int, kernel_size=1, bias=True), nn.BatchNorm2d(F_int) ) self.W_x = nn.Sequential( nn.Conv2d(F_l, F_int, kernel_size=1, bias=True), nn.BatchNorm2d(F_int) ) self.psi = nn.Sequential( nn.Conv2d(F_int, 1, kernel_size=1, bias=True), nn.BatchNorm2d(1), nn.Sigmoid() ) self.relu = nn.ReLU(inplace=True) def forward(self, g, x): g1 = self.W_g(g) x1 = self.W_x(x) psi = self.relu(g1 + x1) psi = self.psi(psi) return x * psi class ParaspinalSegNet(nn.Module): def __init__(self, in_channels=1, out_channels=3): super().__init__() # Encoder self.enc1 = nn.Sequential( nn.Conv2d(in_channels, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(64, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True) ) self.pool = nn.MaxPool2d(2) self.enc2 = nn.Sequential( nn.Conv2d(64, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.Conv2d(128, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True) ) self.enc3 = nn.Sequential( nn.Conv2d(128, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Conv2d(256, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True) ) self.enc4 = nn.Sequential( nn.Conv2d(256, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True) ) # Bottleneck self.bottleneck = nn.Sequential( nn.Conv2d(512, 1024, 3, padding=1), nn.BatchNorm2d(1024), nn.ReLU(inplace=True), nn.Conv2d(1024, 1024, 3, padding=1), nn.BatchNorm2d(1024), nn.ReLU(inplace=True) ) # Decoder with Attention Gates self.up1 = nn.ConvTranspose2d(1024, 512, 2, stride=2) self.att1 = AttentionGate(512, 512, 256) self.dec1 = nn.Sequential( nn.Conv2d(1024, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True) ) self.up2 = nn.ConvTranspose2d(512, 256, 2, stride=2) self.att2 = AttentionGate(256, 256, 128) self.dec2 = nn.Sequential( nn.Conv2d(512, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), nn.Conv2d(256, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True) ) self.up3 = nn.ConvTranspose2d(256, 128, 2, stride=2) self.att3 = AttentionGate(128, 128, 64) self.dec3 = nn.Sequential( nn.Conv2d(256, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), nn.Conv2d(128, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True) ) self.up4 = nn.ConvTranspose2d(128, 64, 2, stride=2) self.dec4 = nn.Sequential( nn.Conv2d(128, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), nn.Conv2d(64, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True) ) self.final = nn.Conv2d(64, out_channels, 1) def forward(self, x): e1 = self.enc1(x) p1 = self.pool(e1) e2 = self.enc2(p1) p2 = self.pool(e2) e3 = self.enc3(p2) p3 = self.pool(e3) e4 = self.enc4(p3) p4 = self.pool(e4) b = self.bottleneck(p4) u1 = self.up1(b) att1 = self.att1(u1, e4) cat1 = torch.cat([att1, u1], dim=1) d1 = self.dec1(cat1) u2 = self.up2(d1) att2 = self.att2(u2, e3) cat2 = torch.cat([att2, u2], dim=1) d2 = self.dec2(cat2) u3 = self.up3(d2) att3 = self.att3(u3, e2) cat3 = torch.cat([att3, u3], dim=1) d3 = self.dec3(cat3) u4 = self.up4(d3) cat4 = torch.cat([u4, e1], dim=1) d4 = self.dec4(cat4) out = self.final(d4) return out model = ParaspinalSegNet()如有问题，可以直接沟通
👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇
