论文部分内容阅读
目的
探讨深度学习技术在自发性脑出血CT影像分割和精准计算出血病灶体积的效果。
方法回顾性分析天津医科大学总医院2016年4月至2018年4月影像及临床诊断为自发性脑出血的1 223例患者资料。分为实质内出血、脑室出血、蛛网膜下腔出血和混合型出血4种类型。采用完全随机法将患者分为训练集905例、验证集156例、测试集162例，实质内出血分别为498、107和100例。由医师对出血区域进行轮廓勾勒标注，作为金标准构建模型以评测测试集性能。采用脑卒中人工智能检测分析系统构建模型，并采用多田公式计算出血体积。在测试集中筛选97例单纯实质内出血患者，按照实质内出血体积，将97例患者分为<5 ml组、5~25 ml组及>25 ml组，记录采用多田公式、模型预测的出血体积绝对和相对误差，并记录模型预测的Dice指数。
结果测试集162例中，深度分割模型在实质内出血、脑室出血、蛛网膜下腔出血和混合型出血的Dice指数分别为0.87、0.85、0.67和0.77。在单纯实质内出血的97例患者中，模型计算血肿量为（29.55±37.69）ml，多田公式计算的血肿量为（24.04±31.22）ml。实质内出血体积<5 ml组、5~25 ml组及>25 ml组，采用模型预测的出血体积绝对误差分别为（0.52±0.54）、（1.53±1.22）、（7.93±8.49）ml，多田公式得到的出血体积绝对误差分别为（0.68±0.60）、（3.16±2.90）、（19.31±17.23）ml。
结论利用深度学习模型自动分割脑出血可以应用于实质内血肿计算，误差小于多田公式计算结果。