基于深度学习分割模型的脑出血CT图像自动分割研究

作者：苗政; 李明洋; **萍; 王烁; 王卓; 张磊; 陈丽舟; 陈云天; 史晟先; 李昊; 石光; 朱万安^*

来源：中国医疗设备, 2022, 37(08): 46-86.

DOI：10.3969/j.issn.1674-1633.2022.08.010

• 脑出血
• 人工智能
• 深度学习
• 自动分割
• 图像后处理

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。

• 单位
  吉林大学第一医院; 四川大学华西医院