基于深度学习实现胰腺分割及自动体积测量的初步研究
目的 使用深度学习模型实现影像诊断为"胰腺未见异常"的成人群体CT图像中胰腺自动分割及体积、径线和平均CT值自动测量.方法 搜集2019年1月至10月在本院行腹盆部CT平扫及增强扫描并诊断为"胰腺未见异常"的患者共1195例(8301个不同期相、不同层厚的扫描序列,每个序列为一个图像数据),根据标准共纳入了5389个图像数据.将图像数据分为两部分:第一部分521个图像数据由专家标注后用于3D U-Net分割模型训练,将其随机分为训练集(413个数据)、调优集(56个数据)、测试集(52个数据),模型训练的评价指标为测试集的DICE系数;第二部分4868个图像数据用于模型外部验证,使用第一部分训练好的模型预测胰腺区域,由两位影像专家检查模型预测结果,挑选出分割效果满意的数据共2003个.对上述521及2003个数据中胰腺标签进行数据处理,以最小体积包围盒算法测量胰腺的三维径线,以标签区域的像素总体积计算胰腺体积,并输出标签区域胰腺的平均CT值.统计各期相、不同层厚的图像数据中胰腺体积、三维径线及平均CT值的95%参考值范围,分析每10岁年龄组胰腺体积分布的正常范围.结果 胰腺分割模型测试集中DICE值为0.91.胰腺三维径线平均值分布范围分别为41.97 ~43.51 mm,65.84~71.09 mm和137.77 ~ 142.59 mm;胰腺体积平均值的分布范围为65213.35 ~69864.79 mm3,在18~38岁逐渐平均体积增大,38岁平均值(77963.15±15125.93) mm3,之后随年龄增大体积逐渐减小,在78 ~88岁时平均体积最低,为(51349.88±18998.81)mm3.胰腺CT值则随年龄增大而减小,18岁~88岁平均CT值从(39.22±9.57) HU降低至(23.95±6.87) HU.结论 基于深度学习的人工智能(AI)分割工具可以有效分割CT图像上的胰腺,并准确测量其径线、体积及CT值.
胰腺、体层摄影术、X线计算机、深度学习、分割、人体形态计量学
41
2022-03-14(万方平台首次上网日期,不代表论文的发表时间)
共8页
86-93