基于U-Net实现CT图像上肝段自动分割和术前评估的初步研究

摘要：

目的:评估基于U形全卷积神经网络(U-Net)对CT图像上Couinaud法肝段的自动分割及体积测量的准确性,探讨其用于半肝切除术剩余肝脏体积百分比(FLR％)评估的可行性.方法:回顾性收集医学中心A的腹部CT增强扫描数据(共170例)用于肝段分割模型的建立,先分割肝脏轮廓,再训练自动分割肝段的模型,最终获得各肝段体积.将放射科医生标注的肝段数据作为金标准.采用医学中心B的CT数据(50例)作为外部验证集,以平均Dice相似性系数(DSC)评价模型效能,分析比较模型与医师在肝段分割、体积测量、FLR％评估上的差异.结果:医学中心A所有数据随机分为训练集(132例)、调优集(19例)、测试集(19例).外部验证集平均DSC值为(0.92±0.00),肝段平均体积最小为Ⅰ段[(37.59±1.26)mL],最大为Ⅷ段[(241.76±6.07)mL].模型与手工标注FLR％评估结果一致性高(95％一致范围为0.9768～0.9906),在手术可行性预测上差异无统计学意义(P=0.25).结论:基于U-Net的Couinaud's肝段自动分割、体积测量并评估半肝切除术FLR％具有可行性.

关键词：肝段、肝切除术、体层摄影术、X线计算机、深度学习

所属期刊栏目：38

分类号：R575;R814.42(消化系及腹部疾病)

资助基金：北京大学深圳医院科研基金资助课题JCYJ2020007

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：47-51