利用深度学习实现腹盆部CT图像范围及期相分类:临床验证研究

摘要

目的:探讨基于深度学习的分类模型对腹盆部CT图像范围及期相进行自动分类的可行性.方法:回顾性搜集本院2019年10月14日-2019年10月18日PACS中连续416例患者的腹盆部CT图像(数据集A).按照扫描范围分为腹部、腹盆部、盆部三类,按照扫描期相分为平扫、动脉期、门静脉期、延迟期和排泄期五类.以3D-ResNet为基础架构,训练CT图像范围及期相的分类模型.利用该模型预测2020年1月1日-2020年1月3日本院连续657例患者的腹盆部CT图像(数据集B).以影像医师的分类结果为金标准,采用混淆矩阵评价模型的分类效能.结果:在数据集B中,扫描范围分类模型在腹部、腹盆部和盆部的符合率分别为95.7％(243/254)、98.4％(362/368)和94.3％(33/35).对数据集B中的腹部图像进行分析,扫描期相分类模型在平扫、动脉期和门静脉期的符合率分别为100.0％(77/77)、97.6％(82/84)和100.0％(11/11);对数据集B中腹盆部图像进行分析,扫描期相分类模型在平扫、动脉期、门静脉期、延迟期和排泄期的符合率分别为96.6％(144/149)、100.0％(9/9)、100.0％(106/106)、66.7％(44/66)和100.0％(32/32);对数据集B中盆部图像分析,扫描期相分类模型在平扫、门静脉期、延迟期和排泄期的符合率分别为100.0％(13/13)、70.0％(7/10)、88.9％(8/9)和100.0％(1/1).结论:通过深度学习模型建立腹盆部CT图像性质分类模型的准确性基本可达到临床要求.