基于CT图像的深度学习预测高血压脑出血早期血肿扩大的应用研究

作者：梁奕; 柳柏玉; 陶静雄; 凡娜; 范文辉; 杜柏林; 王晏文^*

来源：临床放射学杂志, 2023, 42(09): 1388-1392.

DOI：10.13437/j.cnki.jcr.2023.09.030

• 血肿扩大
• 高血压
• 深度学习
• 体层摄影术,X线计算机

目的 本研究旨在构建一种基于颅脑CT成像的深度学习算法进行高血压脑出血患者颅内血肿分割和血肿扩大的预测。方法 回顾性分析500例因高血压脑出血行颅脑CT平扫的患者资料。所有患者在症状出现后6 h内进行基线CT扫描，并在随后24 h内进行CT复查，比较血肿是否扩大。为构建血肿分割与血肿扩大预测模型，患者按照7∶3比例随机分为训练集和测试集。训练集共包含350例患者，用于训练模型，测试集包含150例患者，用于模型的验证。模型采用基于Attention U-Net的网络框架对颅脑CT的血肿进行自动分割并采用基于ResNet-34的网络对血肿扩大进行预测。分割模型的准确度评估采用均交并比(MIoU)和Dice系数作为评价指标。预测模型准确度评价采用受试者工作特征曲线下面积(AUC)。临床定量资料以平均±标准差表示，若符合正态分布及方差齐性检验，则采用独立样本t检验比较其差异性，不服从正态分布的连续变量比较采用Mann-Whitney U检验。P<0.05认为差异存在统计学意义。结果 血肿扩大组和非血肿扩大组在年龄(P=0.211)和性别(P=0.213)方面差异无统计学意义。非血肿扩大组的血肿体积(16.7 ml vs.26.7 ml,P<0.001)、血肿直径(41.7 mm vs.48.9 mm,P<0.001)较血肿扩大组明显变小。分割模型的MIoU和Dice系数为0.89和0.90。预测模型的AUC值为0.909(95%CI:0.851～0.949),敏感度和特异度分别为81.58%(95%CI:65.7%～92.3%)、96.43%(95%CI:91.1%～99.0%)。结论 基于颅脑CT图像的深度学习系统可以精准分割颅脑血肿和进行血肿扩大预测。

• 单位
  神经内科; 长江航运总医院