利用U-net算法在头CT平扫图像上分割脑梗死的初步探究

【摘要】目的：基于深度学习方法训练辅助诊断模型，探究对头CT平扫（NCHCT）图像中脑梗死病灶自动分割的可行性。方法：搜集自2018年5月1日-2020年8月31日影像诊断报告中诊断印象包含“梗死”关键词的NCHCT连续病例1185例，筛选出最终证实为脑梗死的数据362例。由两位医师结合最终结果手工标注脑梗死区域。将数据按8：1：1的比例随机分为训练集（training set，n=288）、调优集（validate set，n=37）和测试集（test set，n=37 例）。训练2D U-net模型分割脑梗死病灶，分割结果自动输入到结构化报告中。对测试集的预测结果和人工标注的结果进行比较，统计梗死病灶体积、径线的差异，使用Dice相似系数（DSC）、体积相似度（VS）和Hausdorff距离（HD）评价模型的预测效能。使用Bland-Altman评价模型预测的病灶体积、径线和CT值与手工标注的一致性。结果：测试集中平均DSC为0.66 (95% CI：0.60~0.72)，平均VS为0.75(95%CI：0.69~0.82)，平均HD为39.69mm(95%CI：32.38~47.01)。Bland-Altman图显示模型预测与手工标注对病灶大小和CT值测量的一致性较高，体积、径线和CT值数据点位于95%一致性界限（95% limits of agreement,95% LoA）外的数据为2.8%~11.1%。结论：基于深度学习的辅助诊断模型可用于分割NCHCT中的脑梗死病灶，并自动生成报告，对患者分诊有一定作用。