基于深度学习的肺结节分类分割算法及其在不同CT重建算法下的效能评估

摘要

目的构建一种基于深度学习的肺结节分类以及分割算法, 探究其在不同CT重建算法下的诊断效能。方法回顾性收集2019年6至9月天津医科大学朱宪彝纪念医院放射科363例胸部CT平扫影像学资料, 每例患者的胸部CT平扫均包含三种CT重建算法（肺重建、纵隔重建、骨重建）生成的图像, 这些数据构成了模型的测试集;模型的训练集由公开数据集（LIDC-IDRI）和私有数据集共4 185例患者胸部CT图像组成。模型的构建采用3D深度卷积神经网络和递归神经网络结合的方式, 在多任务联合学习下训练肺结节密度类型分类和分割, 最后将训练好的模型在天津医科大学朱宪彝纪念医院放射科363例测试病例上进行效果测试, 得到三种CT图像重建算法下结节分类准确率和分割Dice系数指标。采用方差分析对三种CT重建算法下的结节分类准确率和分割Dice系数进行比较以分析差异是否有统计学意义。结果在三种CT重建算法下, 模型对肺结节密度类型的分类准确率分别为98.67%±5.70%、98.38%±6.61% 和97.89%±7.32%, 其中实性结节的分类准确率分别为98.79%±5.58%、98.49%±6.89%和97.90%±7.41%, 亚实性结节的分类准确率分别为97.57%±10.19%、98.52%±7.77%和98.52%±7.77%, 三种不同重建算法下的肺结节的分类准确率差异无统计学意义（均P＆0.05）。三种重建算法下, 所有结节分割的Dice系数分别为79.87%±5.78%、79.02%±6.04%和79.31%±5.95%, 三组间结节分割的Dice系数差异无统计学意义（均P＆0.05）。结论结合了3D卷积神经网络和递归神经网络的深度学习算法, 对不同CT重建算法图像中肺结节的分类和分割均有较为稳定的效果。