基于深度学习在CT图像上分割胆囊的研究

Study on automatic segmentation and measurement of gall bladder on CT images by using deep learning algorithm

二维码有效期 120s

摘要目的:基于深度学习方法训练模型,研究其用于腹部CT图像上分割胆囊并自动测量的可行性.方法:从本院PACS系统搜集2016年1月12日至2021年5月28日行腹部CT检查的患者,从中选取1154位患者的1181次CT检查图像,共得到2559个图像序列用于训练模型.由2位影像科医师标注胆囊,将全部数据按8:1:1的比例随机分为训练集(n=2043)、调优集(n=245)和测试集(n=271),训练3D U-net模型分割胆囊并自动测量.另搜集2022年9月10-19日的腹部CT扫描图像,随机选取共141位患者的141次检查的270个图像序列作为外部验证数据集.以外部验证集的预测结果评价模型的效能.使用Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)定量评价模型分割胆囊区域的效能.使用Bland-Altman分析评价模型自动测量的胆囊体积、径线、平均CT值与医师标注测量值的一致性.结果:外部验证集的DSC、VS、HD分别为0.980(0.970,0.980)、0.990(0.990,1.000)、1.69(1.27,2.45)mm,各数据集之间DSC、VS和HD的差异均有统计学意义(P均＜0.001).外部验证集中模型预测和医师标注测量的胆囊体积、CT值、三维径线的95％一致性界限(LoA)的可信区间分别为(-2.07,3.36)、(-1.55,1.15)、(-1.28,1.47)、(-3.34,4.07)和(-1.11,2.15),分别有2.6％、3.7％、3.7％、1.1％和3.7％的点落在95％LoA以外.结论:基于深度学习模型可在腹部CT图像上自动分割胆囊区域,是将来进一步胆囊病变智能诊断的基础.