基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究

作者：李静; 孙静涛^*; 王可欣; 张耀峰; 李世佳; 王霄英

来源：中国实验诊断学, 2023, 27(06): 639-642.

DOI：10.3969/j.issn.1007-4287.2023.06.003

• 脑胶质瘤
• 磁共振成像
• 深度学习
• 分割
• U-Net

目的 探讨深度学习方法训练模型在颅脑T2Flair图像中自动分割脑胶质瘤的可行性。方法 回顾性收集2015年3月到2019年9月脑胶质瘤患者的MRI图像，共获得81位患者的合格T2Flair图像。由1位影像医生逐层标注胶质瘤的范围，由另1位高年资影像医生检查并修改。将标注好的数据按照8∶1∶1的比例随机分为训练集(n=63)、调优集(n=9)和测试集(n=9)用于3D U-Net分割模型的训练。以测试集数据的Dice相似系数(Dice similarity coefficient, DSC)为客观评价指标，评价模型分割效果，并比较模型预测脑胶质瘤体积和医生标注胶质瘤体积的差异。结果 测试集中模型预测的DSC值为0.74～0.94,中位数为0.88(0.84,0.90)。医生标注脑胶质瘤的体积为32.7～168.1 cm3,中位数为146.0(91.7,162.0)cm3,模型预测脑胶质瘤体积为35.8～170.9 cm3,中位数为113.0(93.7,134.0) cm3,其绝对误差率为0.00～0.23,中位数为0.16(0.07,0.19)。结论 基于深度学习模型可初步实现在T2Flair图像中自动分割脑胶质瘤，有望用于脑胶质瘤的智能诊断。

• 单位
  基础医学院; 首都医科大学; 唐山市妇幼保健院; 北京大学第一医院