基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究

目的 探讨深度学习方法训练模型在颅脑 T2Flair图像中自动分割脑胶质瘤的可行性.方法 回顾性收集 2015 年 3 月到 2019 年 9 月脑胶质瘤患者的 MRI图像,共获得 81 位患者的合格T2Flair图像.由 1 位影像医生逐层标注胶质瘤的范围,由另 1 位高年资影像医生检查并修改.将标注好的数据按照 8∶1∶1 的比例随机分为训练集(n=63)、调优集(n=9)和测试集(n=9)用于 3D U-Net分割模型的训练.以测试集数据的 Dice相似系数(Dice simi-larity coefficient,DSC)为客观评价指标,评价模型分割效果,并比较模型预测脑胶质瘤体积和医生标注胶质瘤体积的差异.结果 测试集中模型预测的DSC值为 0.74～0.94,中位数为 0.88(0.84,0.90).医生标注脑胶质瘤的体积为32.7～168.1 cm3,中位数为 146.0(91.7,162.0)cm3,模型预测脑胶质瘤体积为 35.8～170.9 cm3,中位数为 113.0(93.7,134.0)cm3,其绝对误差率为 0.00～0.23,中位数为 0.16(0.07,0.19).结论 基于深度学习模型可初步实现在T2Flair图像中自动分割脑胶质瘤,有望用于脑胶质瘤的智能诊断.