利用U-net算法在头CT平扫图像上分割脑梗死的初步探究

摘要：

目的:基于深度学习方法训练辅助诊断模型,探究对头CT平扫(NCHCT)图像中脑梗死病灶自动分割的可行性.方法:搜集自2018年5月1日-2020年8月31日影像诊断报告中诊断印象包含"梗死"关键词的NCHCT连续病例1185例,筛选出最终证实为脑梗死的数据362例.由两位医师结合最终结果手工标注脑梗死区域.将数据按8:1:1的比例随机分为训练集(training set,n=288)、调优集(validate set,n=37)和测试集(test set,n=37例).训练2D U-net模型分割脑梗死病灶,分割结果自动输入到结构化报告中.对测试集的预测结果和人工标注的结果进行比较,统计梗死病灶体积、径线的差异,使用Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)评价模型的预测效能.使用Bland-Altman评价模型预测的病灶体积、径线和CT值与手工标注的一致性.结果:测试集中平均DSC为0.66(95％CI:0.60～0.72),平均VS为0.75(95％CI:0.69～0.82),平均HD为39.69 mm(95％CI:32.38～47.01).Bland-Altman图显示模型预测与手工标注对病灶大小和CT值测量的一致性较高,体积、径线和CT值数据点位于95％一致性界限(95％limits of agreement,95％LoA)外的数据为2.8％～11.1％.结论:基于深度学习的辅助诊断模型可用于分割NCHCT中的脑梗死病灶,并自动生成报告,对患者分诊有一定作用.

关键词：深度学习、体层摄影术、X线计算机、脑梗死、研究报告

所属期刊栏目：37

分类号：R-056;R814.4;R743.33;R-05(一般理论)

在线出版日期：2022-06-27（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：669-675