基于特征金字塔网络自动分割平扫CT所示自发性脑出血血肿并判断其语义特征

目的 观察基于特征金字塔网络(FPN)自动分割平扫CT所示自发性脑出血(sICH)血肿并判断其语义特征的价值。方法 回顾性收集A医院408例(训练集)及B医院103例(验证集)sICH平扫CT图像;基于FPN构建深度学习(DL)分割模型分割血肿区域,并以交并比(IoU)、戴斯相似系数(DSC)及准确率评价其效能;以DL分类模型判断血肿语义特征,绘制受试者工作特征曲线,计算曲线下面积(AUC),评估其识别sICH血肿语义特征的效能。结果 DL分割模型分割训练集95% sICH血肿的IoU、DSC及准确率分别为0.84±0.07、0.91±0.04及(88.78±8.04)%,在验证集分别为0.83±0.07、0.91±0.05及(88.59±7.76)%。DL分类模型识别训练集及验证集sICH血肿不规则形态、不均匀密度、卫星征、混杂征及漩涡征的AUC分别为0.946~0.993及0.714~0.833。结论 基于FPN可准确、高效地自动分割sICH血肿,对于判断血肿语义特征亦具有较高效能。