深度学习在T1WI增强图像脑膜瘤分割中的价值

目的:探讨深度学习在T1WI增强图像脑膜瘤分割中的价值.方法:本研究共纳入326例经病理证实脑膜瘤患者,并将其分为训练集(n=194)、验证集(n=66)与测试集(n=66).首先,对脑膜瘤进行手动勾画,再用图像和感兴趣区训练自动分割模型(基于SegResNet).根据训练集、验证集平均dice loss值挑选最优模型,使用测试集评估模型表现并计算相关评价指标.结果:训练集、验证集、测试集的平均dice值分别为0.951、0.866、0.881.训练集、验证集、测试集的平均95％Hausdorff距离(Hausdorff distance,95HD)分别为0.953、3.139、2.016.在测试集66个分割结果中,36个不需要修改,合格病灶比为54.5％.修改层数与肿瘤总层数分别为58、261,合格层数比为77.8％.结论:尽管自动分割模型并不能完全取代手动分割,但它在大部分层面分割表现优秀,可以有效减少不必要的工作.