基于分水岭及区域增长算法建立一种测量自发性脑出血血肿体积的分割方法

  目的   基于分水岭及区域增长算法建立一种CT图像脑血肿分割方法,以快速准确测量血肿体积,探讨其与临床金标准手动分割结果的一致性,并与临床常用的两种多田公式计算进行比较。   方法   回顾性收集2018年1月–2019年6月由于自发性脑出血于四川大学华西医院神经外科就诊的患者术前152例CT图像,通过随机数字表将其随机分为训练集、测试集和验证集,分别为100例、22例、30例。算法训练及测试采用训练集与测试集的标记结果,验证集采用4种方式——人工手动分割、算法分割（基于分水岭及区域增长算法的分割计算）、多田公式（传统多田公式计算）与精准多田公式（基于3D-slicer的精准多田公式计算）——对出血病灶体积进行测量。将符合研究对象标准的医学数字成像和通信（Digital Imaging and Communications in Medicine, DICOM）资料通过两名高年资神经外科医生进行手动分割脑出血病灶。基于分水岭算法及区域增长算法搭建血肿分割模型以神经外科医生选取的种子点作为增长起点,采用区域灰度差异准则,结合手动分割验证,最终确定符合颅内血肿分割精度要求的区域生长阈值。以人工手动分割为金标准,采用Bland-Altman一致性分析验证其余3种测量血肿体积的方式的一致性。   结果   以人工手动分割为金标准,3种测量血肿体积的方式中,算法分割百分误差最小,差值范围最窄,组内相关系数最高（0.987）,一致性较好,且95%一致性界限（limits of agreement, LoA）最窄。其分割的百分误差在不同血肿体积比较中差异无统计学意义。   结论   基于分水岭及区域增长算法的自发性脑出血血肿分割方法的测量稳定,与临床金标准一致性好,具有一定临床意义,但仍需更多的临床样本予以验证。      

改进型Unet网络在脑CT图像出血区域识别与分割中的应用

目的 探讨改进型Unet网络技术对脑CT图像出血区域识别与分割的性能及其应用价值.方法 回顾性纳入476份自发性脑出血(spontaneous intracerebral hemorrhage,SICH)患者的脑CT图像,采用基于改进型Unet网络对患者脑CT图像出血区域进行识别和分割,由临床医生手动标注出血区域的影像...