利用TOSA-Net自动分割和测量阻塞性睡眠呼吸暂停患者的舌部几何特征

《Sleep and Breathing》：Automatic segmentation and measurement of tongue geometric features using TOSA-Net for obstructive sleep apnoea

　　提出基于深度学习的TOSA-Net模型，用于自动分割和量化OSA相关舌部几何特征，验证其高精度（Dice 0.870，OSA患者0.914），与手动测量无显著差异（p<0.05），为临床及大规模研究提供高效工具。

　　

摘要

目的

舌头是上呼吸道中重要的软组织；其过度增生可能会导致气道狭窄或塌陷，从而引发阻塞性睡眠呼吸暂停（OSA）。据我们所知，目前尚无利用深度学习分割技术来量化与OSA相关的舌头几何特征的方法。我们提出了一种深度学习模型（TOSA-Net），该模型能够准确分割和测量舌头的几何形状，为未来的OSA相关研究提供更高效的方法。

材料与方法

我们使用了一个包含207张舌头正面和侧面图像的数据集，以及手动分割并量化的舌头尺寸数据，用于模型的开发和评估。我们对U-Net架构进行了修改，加入了多尺度卷积滤波器以提取特征。通过自动化分割技术计算舌头的几何特征，并通过Dice系数、皮尔逊相关系数、一致性分析以及专家制定的临床参数来评估深度学习方法与手动方法在分割和测量方面的准确性。

结果

五折交叉验证结果显示，所有受试者的平均Dice系数为0.870，其中OSA患者的平均Dice系数最高（为0.914）。舌头的各项特征（面积、长度、厚度、曲率）与手动测量结果之间存在强烈相关性，且差异无统计学意义（p < 0.05）。

结论

自动化分割和测量的高精度表明，所提出的方法有潜力替代临床研究和大规模OSA研究中的耗时手动操作。