基于深度学习在CT图像上分割胆囊的研究

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。

基于深度学习在CT图像上分割肾上腺的研究

目的:探索使用3D U-Net模型在CT图像上自动分割肾上腺并完成自动测量的可行性,并尝试使用模型输出值初探多期增强CT检查中正常肾上腺的强化特点及肾上腺体积随年龄段的体积变化规律。方法:第一步,训练肾上腺自动分割模型。回顾性收集2016年1月1日-2019年3月14日本中心腹盆部CT检查且结果未见异常的图像,共纳入520个薄层序列(434个检查)作为模型训练数据集。分别标注双侧肾上腺后随机分为训练集(左侧N=419,右侧N=413)、调优集(左侧N=53,右侧N=55)、测试集(左侧N=48,右侧N=52)训练3D U-Net分割模型,模型客观评价指标为测试集的Dice系数。第二步,验证肾上腺分割模型用于自动测量的可行性。回顾性收集2019年3月15日-2019年4月30日本中心住院成人患者腹盆部CT检查且结果未提示肾上腺病变的图像,共纳入988个薄层序列(523个检查)作为外部验证数据集。使用第一步建立的模型对双侧肾上腺进行分割并检查结果,对自动分割满意的图像统计其肾上腺的体积、三维径线、平均CT值,分析增强规律,并在门静脉期图像中按每15岁年龄段统计肾上腺体积随年龄变化的关系。结果:肾上腺分割模型训练数据集的测试集Dice系数分别为左侧0.942、右侧0.937,外部验证数据集中的分割满意率为57.7%(570/988)。自动分割满意的数据肾上腺体积左侧(2845.35±877.95)mm 3,右侧(2546.21±755.33)mm 3;平扫、动脉期、门静脉期、延迟期平均CT值分别为左侧14.08(8.46~17.99)HU[中位数(四分位数区间)]、(58.79±17.71)HU(平均值±标准差,后同)、(63.41±14.96)HU、(53.31±13.65)HU,右侧(15.40±6.75)HU、(58.04±16.37)HU、(61.05±13.73)HU、(52.63±12.22)HU。随年龄增长,肾上腺体积呈现先增大后减小的趋势(N=131),在33~47岁年龄段达峰,男性、女性肾上腺体积峰值分别为左侧(3951.87±912.49)mm 3、(2789.90±531.19)mm 3,右侧(3250.09±750.91)mm 3、(2288.92±524.08)mm 3。结论:基于3D U-Net可构建肾上腺分割模型,用以对肾上腺体积、三维径线、平均CT值等定量指标进行自动测量。

基于膝关节正位X线应用深度学习构建胫股关节骨关节炎的自动诊断模型

目的探索深度学习方法基于膝关节正位X线构建自动诊断并分级胫股关节骨关节炎(TFOA)诊断模型。方法搜集5837幅膝关节前后位的X线图像,按照8∶1∶1的比例随机分为训练集、调优集和测试集。以两位医师依据凯尔格伦-劳伦斯(K-L)分级及国际骨关节炎研究协会(OARSI)分级系统共同阅片结果分别作为TFOA及其影像特征[骨赘(OST)及关节间隙狭窄(JSN)]分类模型的参考标准。利用高分辨率网络(HRNet)算法建立上述对应的二分类诊断[K-L.0~1(无TFOA)vs.K-L.2~4(有TFOA);OARSI 0(无OST/JSN)vs.OARSI 1~3(有OST/JSN)]及多分类分级模型(K-L.0~4,分别代表无、可疑、轻度、中度及重度TFOA;OARSI 0~3,依次代表无、轻度、中度及重度OST/JSN)。以受试者工作特征曲线(ROC)、查准率-查全率曲线(P-R)及混淆矩阵评价模型的分类效能。结果在测试集中,二分类模型诊断TFOA、OST及JSN的曲线下面积(AUC)为0.95~0.99、P-R的AUC为0.86~0.98;多分类模型在分级TFOA、OST及JSN中的宏准确率为0.90~0.98、敏感度为0.09~0.99、特异度为0.69~1.00。结论以HRNet为基础架构的模型可自动诊断并分级TFOA、OST及JSN,其二分类诊断效能较高,多分类则对病变程度分级提供了可能性。