基于深度学习分割模型的脑出血CT图像自动分割研究

摘要

目的实现基于人工智能深度学习方法的脑出血患者CT图像血肿区域自动分割,并评估后处理算法对分割结果的优化效果。方法回顾性分析吉林大学第一医院2018年4月至2020年8月脑出血患者的影像资料,按照纳排标准纳入416例患者的CT图像进行研究,按照比例7∶3随机分为训练集291例和测试集125例。将患者CT图像进行图像预处理、摆正、去骨后,采用本研究提出的深度学习分割网络ADUNET进行训练,实现血肿区域的自动分割。最后使用后处理算法对分割结果进行进一步优化,并通过Dice系数、Hausdorff-Distance(HD)系数等评价指标进行对比分析。结果对比其他两种主流分割网络,本研究提出的ADUNET网络在该数据集上得到了最好的分割结果(平均Dice系数为0.895,平均HD系数为11.62),并且验证了后处理算法可以进一步优化分割结果,提高分割精度(平均Dice系数为0.899、平均HD系数为11.33)。结论本研究提出的ADUNET分割网络与后处理算法可以实现基于CT图像的脑出血区域自动分割及优化,该方法可提高诊断效率、优化诊断流程,具有较高的临床应用价值。