基于深度学习分割CT图像上脑血肿的初步研究

作者：奈日乐; 王可欣; 谢辉辉; 杨洁瑾; 蔡金秀; 李昌欣; 王祥鹏; 张晓东; 王霄英^*

来源：中国医学影像学杂志, 2022, 30(11): 1089-1101.

DOI：10.3969/j.issn.1005-5185.2022.11.001

• 颅内血肿
• 体层摄影术,X线计算机
• 深度学习
• 分割
• 结构化报告

目的 基于U形全卷积神经网络（U-Net）深度学习模型，探讨急诊CT图像中自发性脑实质出血病灶自动分割及体积测量的可行性。资料与方法 回顾性收集2009年7月25日—2019年11月6日北京大学第一医院急诊头颅CT检查诊断为脑实质出血的CT影像和报告，共256例数据，由3名影像医师标注颅内血肿病灶。将256例数据随机分为训练集206例、调优集25例和内部验证集25例训练3D U-Net分割模型。另收集2019年11月7日—2020年3月31日共50例数据用于外部验证。以内、外部验证集中血肿病灶的Dice相似系数（DSC）评价模型的分割效果，并自动生成血肿的三维径线和体积定量值。比较模型预测的定量值（模型值）、既往临床报告中的定量值（报告值）和专家标注的定量值（参考值），评价不同测量方法所得定量值之间的一致性。结果 在内部验证集25例中U-Net模型检出全部血肿，模型预测的敏感度为100%，以病灶为单位平均DSC为0.84；在外部验证集50例中，U-Net模型检出49例，以病灶为单位平均DSC为0.90。在内部验证集中模型值与参考值比较，血肿病灶三维径线和体积差异均无统计学意义（P>0.05）。报告值与参考值比较，左右径及前后径差异有统计学意义（Z=-4.319、-3.242,P<0.05），上下径和体积差异无统计学意义（P>0.05）。在外部验证集中模型值与参考值比较，血肿病灶的上下径及体积差异有统计学意义（Z=-2.146、-2.590,P<0.05），左右径及前后径差异均无统计学意义（P>0.05）。报告值与参考值比较，血肿病灶三维径线和体积差异均有统计学意义（Z=-4.793、-4.580、-5.855、-3.335,P<0.05）。内、外部验证集中，模型值和报告值与参考值的一致性均高，两两比较组内相关系数均达到0.90以上。结论 深度学习模型可用于急诊CT图像中自发性脑实质出血的自动分割及体积测量。

• 单位
  基础医学院; 首都医科大学; 北京大学第一医院