典型文献
基于深度学习分割模型的脑出血CT图像自动分割研究
文献摘要：
目的 实现基于人工智能深度学习方法的脑出血患者CT图像血肿区域自动分割,并评估后处理算法对分割结果的优化效果.方法 回顾性分析吉林大学第一医院2018年4月至2020年8月脑出血患者的影像资料,按照纳排标准纳入416例患者的CT图像进行研究,按照比例7:3随机分为训练集291例和测试集125例.将患者CT图像进行图像预处理、摆正、去骨后,采用本研究提出的深度学习分割网络ADUNET进行训练,实现血肿区域的自动分割.最后使用后处理算法对分割结果进行进一步优化,并通过Dice系数、Hausdorff-Distance(HD)系数等评价指标进行对比分析.结果 对比其他两种主流分割网络,本研究提出的ADUNET网络在该数据集上得到了最好的分割结果(平均Dice系数为0.895,平均HD系数为11.62),并且验证了后处理算法可以进一步优化分割结果,提高分割精度(平均Dice系数为0.899、平均HD系数为11.33).结论 本研究提出的ADUNET分割网络与后处理算法可以实现基于CT图像的脑出血区域自动分割及优化,该方法可提高诊断效率、优化诊断流程,具有较高的临床应用价值.
文献关键词：
脑出血;人工智能;深度学习;自动分割;图像后处理
中图分类号：
作者姓名：
苗政;李明洋;陈忠萍;王烁;王卓;张磊;陈丽舟;陈云天;史晟先;李昊;石光;朱万安
作者机构：
吉林大学第一医院放射科,吉林长春 130000;四川大学华西医院放射科,四川成都 610041
文献出处：
引用格式：
[1]苗政;李明洋;陈忠萍;王烁;王卓;张磊;陈丽舟;陈云天;史晟先;李昊;石光;朱万安-.基于深度学习分割模型的脑出血CT图像自动分割研究)[J].中国医疗设备,2022(08):46-50,86
A类：
ADUNET
B类：
分割模型,图像自动分割,深度学习方法,脑出血患者,血肿,理算,优化效果,吉林大学,影像资料,照纳,训练集,测试集,图像预处理,摆正,分割网络,Dice,Hausdorff,Distance,HD,上得,优化分割,出血区域,诊断效率,诊断流程,临床应用价值,图像后处理
AB值：
0.308878
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
