基于特征金字塔网络自动分割平扫CT所示自发性脑出血血肿并判断其语义特征

目的观察基于特征金字塔网络(FPN)自动分割平扫CT所示自发性脑出血(sICH)血肿并判断其语义特征的价值。方法回顾性收集A医院408例(训练集)及B医院103例(验证集)sICH平扫CT图像;基于FPN构建深度学习(DL)分割模型分割血肿区域,并以交并比(IoU)、戴斯相似系数(DSC)及准确率评价其效能;以DL分类模型判断血肿语义特征,绘制受试者工作特征曲线,计算曲线下面积(AUC),评估其识别sICH血肿语义特征的效能。结果DL分割模型分割训练集95%sICH血肿的IoU、DSC及准确率分别为0.84±0.07、0.91±0.04及(88.78±8.04)%,在验证集分别为0.83±0.07、0.91±0.05及(88.59±7.76)%。DL分类模型识别训练集及验证集sICH血肿不规则形态、不均匀密度、卫星征、混杂征及漩涡征的AUC分别为0.946~0.993及0.714~0.833。结论基于FPN可准确、高效地自动分割sICH血肿,对于判断血肿语义特征亦具有较高效能。

3D Res2Net深度学习模型预测肺实性结节体积倍增时间

目的观察3D Res2Net深度学习模型预测肺实性结节体积倍增时间(VDT)的价值。方法回顾性分析734例肺实性结节患者胸部CT资料,根据随访期间肺结节体积增加是否≥25%将其分为进展组(n=218)与非进展组(n=516),并按7∶3比例划分训练集(n=515)与验证集(n=219);利用多因素logistic回归分析基于组间差异有统计学意义的临床参数构建临床模型,采用卷积神经网络提取肺结节二维CT图像特征构建CT特征模型,基于Res2Net网络输入三维CT图像构建3D Res2Net模型;绘制受试者工作特征曲线,计算曲线下面积(AUC),以实际VDT为标准,评估临床模型、CT特征模型及3D Res2Net模型预测肺实性结节VDT≤400天的效能。结果临床模型、CT特征模型及3D Res2Net模型预测效能差异均无统计学意义(P均>0.05),其在训练集的AUC分别为0.689、0.698及0.734,在验证集分别为0.692、0.714及0.721。3D Res2Net模型预测肺实性结节VDT用时5~7 s、平均(5.92±1.08)s。结论3D Res2Net模型可用于预测肺实性结节VDT以大幅缩短人工阅片时间。