摘要：目的：开发一种基于卷积神经网络的腰椎管CT轴位参数自动测量工具。

目的：开发一种基于卷积神经网络的腰椎管CT轴位参数自动测量工具，并评估其性能。

方法：收集 PACS 系统中 3000 例行腰椎 CT 扫描患者的图像数据，并将其导入 JPHV 软件进行三维重建，软件会自动定位腰椎管的中位水平。参照图像报告对图像进行筛选，最终收录了6170张腰椎管轴向正中水平的图像。两名放射科医生对关键点和面进行了标注，一名医生进行了审查。图像被分为训练集、验证集和测试集，以建立 Scnet 模型、Hrnet 模型和 Unet 模型。应用 PCK 指数比较上述三种 CNN 模型在预测腰椎管 CT 参数关键点的准确性和三位放射科医生注释关键点的一致性方面的性能； 应用 mDice 系数和 mJaccard 系数评估 Unet 模型在腰椎管区分割中的性能；组内相关系数（ICC）、皮尔逊相关系数、平均绝对差值（MAD）、均方根误差（RMSE）和Bland-Atman。

结果：Unet 在预测临界点方面优于 Scnet 和 Hrnet。与参考标准相比，Unet 模型的 mIOU 值大于 0.903，mDice 值大于 0.949；L1 位点单个参数的 ICC 值为 0.80-0.97，r 值为 0.83-0.91。 在 L1 点，单个参数的 ICC 值为 0.80-0.97，r 值为 0.83-0.91；在 L2 点，单个参数的 ICC 值为 0.88-0.98，r 值为 0.89-0.98；在 L4 点，ICC 值为 0.89-0.98，r 值为 0.89-0.98；在 L3 点，ICC 值为 0.89-0.98，r 值为 0.89-0.98。L3参数的ICC值为0.89-0.98，r值为0.90-0.98；L4参数的ICC值为0.91-0.98，r值为0.91-0.98；L5参数的ICC值为0.87-0.98，r值为0.94-0.98。

结论：Unet 模型可预测腰椎管CT轴位部分参数，Unet 预测结果与人工测量结果相似。卷积神经网络智能测量腰椎管CT成像参数有助于分析数据集腰椎管狭窄相关参数与人群信息（性别、年龄、不同椎体部位）之间的特征。