自发性脑出血CT影像分割在老年脑梗死合并脑出血病灶中的计算效果

目的:探讨自发性脑出血CT影像分割在老年脑梗死合并脑出血病灶中的计算效果及临床治疗指导价值。方法:选择老年脑梗死合并脑出血患者189例,入院后患者均完成自发性脑出血CT影像检查,由医生对出血区域完成轮廓的勾勒,并完成影像分割(金标准);采用人工智能检测方法构建模型,借助多田公式完成出血体积计算,根据出血量分为<5 mL组、5~25 mL组和>25mL组,分析构建模型与金标准的绝对和相对误差,获得模型预测的Dice指数。结果:自发性脑出血CT影像分割模型在老年脑梗死合并脑出血病灶中Dice指数为0.82,与“金标准”符合率较高。脑实质内出血、脑室出血、混合型出血及蛛网膜下腔出血Dice指数为0.85、0.87、0.69、0.72;<5 mL组、5~25mL组和>25 mL组绝对误差模型计算出血量均低于金标准(P=0.000);<5 mL组相对误差中模型计算出血量高于金标准(P=0.000);5~25 mL组和>25 mL组相对误差中模型计算出血量低于金标准(P=0.000)。结论:自发性脑出血CT影像分割用于老年脑梗死合并脑出血病灶中能准确计算病灶体积。

2D/3D级联卷积在分割CT肺动脉上的应用研究

医学影像分割是计算机辅助诊断的重要组成部分。针对CT影像的三维特性,提出了一种基于2D/3D级联卷积的Unet网络结构用来分割肺动脉。该结构相比基于传统2D卷积的方法,关联了第三维度信息,提高了分割准确度和泛化能力,相比基于传统3D卷积的方法提高了准确度和执行效率。实验对多套肺动脉增强CT数据集做了验证,分割准确率达到85.7%,高于传统2D和3DUnet网络,同时执行效率较3DUnet提高近30%,在CT影像分割上做到了效率和准确度的兼顾。

基于3D＿ResUnet肝脏CT图像分割的临床应用研究

目的:为解决传统肝实质分割方法在阈值分割方面存在的分割精度低的问题。方法:采用AI自动识别算法,通过Unet与Resnet相结合的3D_ResUnet网络对肝脏CT图像进行分割,并对分割结果通过最大联通分量的方法去除杂质,得到较为精确的肝脏区域,实现肝实质自动分割。结果:基于3D_ResUnet的肝脏CT图像分割,其分割的平均Dice为96.12%,高于3D_Unet的分割精度。结论:基于3D_ResUnet的肝脏CT图像分割提高了肝实质分割的精度,实现了无需人工交互的全自动分割,通过应用在肝癌手术计划系统中,为临床医生的肝癌手术规划提供了可视化依据。

不同固定窗宽/窗位调节在医学图像自动分割中的应用研究

目的以肺癌放疗涉及的危及器官为例,通过对胸部CT影像进行固定窗宽(Window Width,WW)/窗位(Window Level,WL)的调节处理,探究不同WW/WL对基于深度学习的危及器官自动勾画结果的影响。方法利用2D-Unet对2017年肺癌危及器官分割比赛中的危及器官(包括左右肺、食管、脊髓和心脏)进行自动分割;训练前均进行WW/WL调节的预处理,即对训练的CT图像分别进行软组织窗、肺窗、纵隔窗、骨窗及全窗宽的调节,然后对每一种危及器官均采用相同的条件进行训练;共60例数据集,任选其中48例为训练集,余下12例为测试集;自动分割结果采用Dice相似性系数(Dice Similarity Coefficient,DSC)和95%豪斯多夫距离(Hausdorff Distance,HD)进行评估;统计方法采用Kruskal-Wallis H秩和检验或方差分析。结果不同WW/WL调节对左、右肺及脊髓的自动分割DSC值无显著影响(P=0.057、0.090、0.894);对食管和心脏的自动分割DSC值有显著影响(P<0.001)。脊髓在不同WW/WL下的95%HD值无统计学差异(P=0.116);左右肺、食管和心脏在不同WW/WL下的95%HD值均有统计学意义(P=0.005、0.001、0.007、<0.001)。结论不同的固定WW/WL调节对不同危及器官自动勾画结果的影响不同,在进行基于深度学习的CT影像自动分割时应选取合适的WW/WL。