滑膜炎是一种多发性的迁延难愈性疾病,是很多骨关节疾病,尤其是类风湿关节炎的重要病理表现,早期对病情做出诊断及寻找预示骨质破坏的指标,对于病情评估和制定有效的治疗方案具有极为重要的意义。为了精准的确定患者病情并制定出有效的治疗方案,医生往往通过手工勾画来提取MRI图像中的滑膜增生区域并进行不同等级的标注,但该方法存在耗时长、效率低,具有一定主观性,且对疾病的严重程度及其治疗效果的判断往往缺乏可靠性及一致性等问题。为了解决以上问题,试图探究使用AI训练模型实现滑膜增生的自动检测。在实现滑膜增生自动检测的过程中,快速、准确的将滑膜增生组织区域从图像中提取分割出来,是整个检测过程中的关键步骤,对于辅助临床医生及时对病情做出正确的诊断发挥着不可忽视的作用。近些年来,由于深度学习得到了飞速的发展,基于深度学习的图像分割技术,被广泛应用到了医学图像分割领域,其中以U-net分割算法在医学图像分割领域的应用最为广泛。但由于关节滑膜病变区域的分布范围较大、各部病变形态不一,U-net模型在关节滑膜MRI图像分割中并未达到预期的效果。为了得到更精准的分割效果,针对U-net网络深度略有不足的缺点,本文提出了一种新的网络结构,即2D ResU-net网络结构。该网络将U-net网络与He等人于2015年在ILSVRC竞赛中提出的ResNet(Residual Network,残差网络)相结合,并对网络进行了批标准化处理等相关操作。残差网络的加入,使U-net网络结构的深度变得更深,从而增强了网络的特征提取和分类能力,同时也使网络较深时的梯度消失问题得到了有效解决,从而提升了分割效果。此外,在网络训练过程中,通常需要定义一个损失函数来估量模型的预测值与真实输出之间的损失,考虑到部分滑膜图像只有一个或两个目标,且目标像素比例较小,使网络训练较为困难,因此本文选用Dice loss作为损失函数。与U-Net算法相比,2D ResU-net算法DSC系数提升了10.72%,交并比(IOU)指标升高了4.24%,体积重叠误差VOE系数降低了11.57%。实验结果表明,本文所提算法对于MRI图像中滑膜增生区域可以实现较好的自动分割效果,具有较好的临床应用前景。