基于U-NET深度学习算法检测与量化胸部CT图像的气胸

目的:采用气胸患者的CT图像开发了一种使用U-NET架构的深度学习分割算法，并对其性能进行了评估。方法:回顾性分析2018年-2019年的急诊胸部CT图像，先由一名放射科医生进行注释，然后由另一名资深放射科医生修改和审查标注的气胸内容，作为金标准，并使用五折交叉验证方法进行深度学习算法的训练和测试。在像素级通过戴斯系数、召回率和符合率来评估分割精度，并评估了气胸定量的体积误差；在区域级评估每个患者的气胸区域敏感性和假阳性区域数量。结果:共有200例气胸患者入组，平均戴斯系数、召回率和符合率分别为0.789、0.794和0.820。对气胸总量大于300 mL的患者，平均戴斯系数、召回率和符合率都可以达到0.89以上。对气胸总量大于100 mL的患者，气胸定量的相对误差小于10%。对体积大于30 mL的气胸区域，区域敏感性可达100%。假阳性区域平均体积为2.3 mL(1.55～3.66 mL),平均每个病例2.8(2.06～4.23)个假阳性区域。结论:U-NET深度学习分割算法在像素和区域两个层面上都表现出可接受的性能，这表明在临床实践中可以发挥潜在的辅助作用，以减轻急诊医务人员的工作...