点击标题下「蓝色微信名」可快速关注
摘要 目的 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 25="">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 25="">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。 颅脑CT扫描是颅内出血性疾病的首要检查方法,可以鉴别出血性卒中和缺血性卒中 [1],判断颅内出血的部位、范围与体积等信息,并通过以上信息决定后续的治疗方案 [2,3,4]。 近年来,深度学习技术广泛应用在医学影像的图像识别中,在糖尿病视网膜病变、皮肤病、肺结节、颅内出血分类诊断等方面取得了重大进步 [5,6,7,8,9]。 脑出血病灶体积的快速、精准测量是临床影像工作的迫切需求,如何利用人工智能技术辅助临床影像的数据处理亦是当前研究的热点 [10]。 基于深度学习的影像分割技术,可以将不同属性的像素区域分开,对图像内容进行精准分割 [11,12]。 在此基础上,笔者拟利用深度分割模型对出血病灶进行分割和体积计算,并探讨分割区域以及体积计算的准确性和应用价值。文章来源:中华放射学杂志,2019,53(11): 941-945
作者:王霁雯 林雨 熊建华 于圣平 魏伟 杨新宇 肖福顺 王永利 梁孔明 王浩 李秀丽 刘兵
资料与方法