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.

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

北京大学第一医院医学影像科,北京 100034;首都医科大学基础医学院,北京 100069;北京赛迈特锐医学科技有限公司,北京 100011

[1]奈日乐;王可欣;谢辉辉;杨洁瑾;蔡金秀;李昌欣;王祥鹏;张晓东;王霄英-.基于深度学习分割CT图像上脑血肿的初步研究)[J].中国医学影像学杂志,2022(11):1089-1094,1101

血肿病灶

脑血肿,全卷积神经网络,Net,深度学习模型,自发性,脑实质,出血病,自动分割,体积测量,北京大学第一医院,医院急诊,头颅,检查诊断,颅内血肿,训练集,调优,内部验证,验证集,分割模型,另收,日共,外部验证,Dice,相似系数,DSC,分割效果,自动生成,径线,比较模型,参考值,前后径,体层摄影术,线计算,结构化报告

0.241563