基于深度学习分割CT图像上脑血肿的初步研究

摘要：

目的基于U形全卷积神经网络(U-Net)深度学习模型,探讨急诊CT图像中自发性脑实质出血病灶自动分割及体积测量的可行性.资料与方法回顾性收集2009年7月25日—2019年11月6日北京大学第一医院急诊头颅CT检查诊断为脑实质出血的CT影像和报告,共256例数据,由3名影像医师标注颅内血肿病灶.将256例数据随机分为训练集206例、调优集25例和内部验证集25例训练3D U-Net分割模型.另收集2019年11月7日—2020年3月31日共50例数据用于外部验证.以内、外部验证集中血肿病灶的Dice相似系数(DSC)评价模型的分割效果,并自动生成血肿的三维径线和体积定量值.比较模型预测的定量值(模型值)、既往临床报告中的定量值(报告值)和专家标注的定量值(参考值),评价不同测量方法所得定量值之间的一致性.结果在内部验证集25例中U-Net模型检出全部血肿,模型预测的敏感度为100％,以病灶为单位平均DSC为0.84;在外部验证集50例中,U-Net模型检出49例,以病灶为单位平均DSC为0.90.在内部验证集中模型值与参考值比较,血肿病灶三维径线和体积差异均无统计学意义(P>0.05).报告值与参考值比较,左右径及前后径差异有统计学意义(Z=?4.319、?3.242,P<0.05),上下径和体积差异无统计学意义(P>0.05).在外部验证集中模型值与参考值比较,血肿病灶的上下径及体积差异有统计学意义(Z=?2.146、?2.590,P<0.05),左右径及前后径差异均无统计学意义(P>0.05).报告值与参考值比较,血肿病灶三维径线和体积差异均有统计学意义(Z=?4.793、?4.580、?5.855、?3.335,P<0.05).内、外部验证集中,模型值和报告值与参考值的一致性均高,两两比较组内相关系数均达到0.90以上.结论深度学习模型可用于急诊CT图像中自发性脑实质出血的自动分割及体积测量.

关键词：颅内血肿、体层摄影术、X线计算机、深度学习、分割、结构化报告

所属期刊栏目：30

分类号：R445.3;R743(诊断学)

在线出版日期：2022-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1089-1094,1101