基于深度学习的自发性脑出血CT影像分割算法精准计算病灶体积的应用探讨

摘要：

探讨深度学习技术在自发性脑出血CT影像分割和精准计算出血病灶体积的效果.方法 回顾性分析天津医科大学总医院2016年4月至2018年4月影像及临床诊断为自发性脑出血的1 223例患者资料.分为实质内出血、脑室出血、蛛网膜下腔出血和混合型出血4种类型.采用完全随机法将患者分为训练集905例、验证集156例、测试集162例,实质内出血分别为498、107和100例.由医师对出血区域进行轮廓勾勒标注,作为金标准构建模型以评测测试集性能.采用脑卒中人工智能检测分析系统构建模型,并采用多田公式计算出血体积.在测试集中筛选97例单纯实质内出血患者,按照实质内出血体积,将97例患者分为<5 ml组、5~25 ml组及>25 ml组,记录采用多田公式、模型预测的出血体积绝对和相对误差,并记录模型预测的Dice指数.结果 测试集162例中,深度分割模型在实质内出血、脑室出血、蛛网膜下腔出血和混合型出血的Dice指数分别为0.87、0.85、0.67和0.77.在单纯实质内出血的97例患者中,模型计算血肿量为(29.55±37.69)ml,多田公式计算的血肿量为(24.04±31.22)ml.实质内出血体积<5 ml组、5~25 ml组及>25 ml组,采用模型预测的出血体积绝对误差分别为(0.52±0.54)、(1.53±1.22)、(7.93±8.49)ml,多田公式得到的出血体积绝对误差分别为(0.68±0.60)、(3.16±2.90)、(19.31±17.23)ml.结论 利用深度学习模型自动分割脑出血可以应用于实质内血肿计算,误差小于多田公式计算结果.

关键词：深度学习、图像分割、脑出血

所属期刊栏目：53

分类号：TP391.41;R743.35;R651.1

在线出版日期：2020-04-29（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：941-945