基于腹部平扫CT深度学习对脾脏损伤区域分割及严重程度预测
周里平1
罗德1
李波1
程智涛2
冷妍霖3
唐泳4
刘燚5
白昌松6
古广强7
苏松1
1.西南医科大学附属医院普通外科(肝胆外科),西南医科大学附属医院四川省院士(专家)工作站,代谢性肝胆胰疾病泸州重点实验室,四川 泸州 6460002.电子科技大学,计算机科学与工程学院,成都 6117313.电子科技大学,信息软件工程学院,成都 6100544.电子科技大学,计算机科学与工程学院,成都 611731;重庆中医药学院,数智中医药创新研究院,重庆 4027605.西南医科大学,基础医学院,四川 泸州 6460006.叙永县人民医院普外科,四川 叙永 6464007.四川省精神卫生中心,绵阳市第三人民医院肝胆胰外科,四川 绵阳 621000
摘要：目的 构建基于腹部平扫CT的深度学习模型,探索其自动分割腹部闭合性损伤中脾脏损伤区域及初步评估脾脏损伤严重程度的价值.方法 回顾性收集腹部平扫CT诊断为腹部闭合性损伤中的脾脏损伤患者 122 例,以及正常完整脾脏人员 240 例,共 4 290 张腹部平扫CT影像.其中男性 192 例,女性170 例;年龄 5～90 岁,平均 53.2 岁.在自动分割脾脏损伤区域的研究中,使用UNet、FCN-ResNet50、FCN-ResNet101 三种深度学习模型.分别采用两步法(先分割脾脏轮廓再识别损伤区域)和一步法(直接识别损伤区域)进行深度学习模型的构建,并使用准确率(ACC)、交并比(IoU)以及Dice系数作为评价指标进行比较.在评估脾脏损伤严重程度的研究中,基于美国创伤协会(AAST)器官损伤量表(OIS),使用 DenseNet、CNN、ResNet101、ResNet18 四种深度学习模型.分别在完整的CT横断面图像和自动分割后的脾脏损伤区域上,对脾脏损伤进行轻症组(Ⅰ、Ⅱ级)和中重症组(Ⅲ～Ⅴ级)的二分类,并以受试者操作特征(ROC)曲线的曲线下面积(AUC)及其 95%CI、ACC、灵敏度以及特异度来评估模型的分类性能.结果 采用一步法完成脾脏损伤区域分割的模型FCN-ResNet101 对脾脏损伤区域分割准确率最高(IoU:0.713,ACC:0.887,Dice系数:0.801).采用直接输入完整图像识别的模型ResNet18 对脾脏损伤严重程度预测的综合表现最佳(AUC:0.834,95%CI:0.607～1.000,ACC:0.770,灵敏度:0.885,特异度:0.561).结论 基于腹部平扫CT的深度学习模型FCN-ResNet101,对脾脏损伤具有较好的自动分割性能.在评估脾脏损伤严重程度时,模型Res-Net18 具有较好的分类性能.两模型均具备较好的临床应用前景.
关键词：脾脏损伤腹部闭合性损伤平扫CT
分类号：R657.6(外科学各论)R445(诊断学)
资助基金：四川省科技厅中央引导地方科技发展专项项目(2024ZYD0270)叙永县人民医院-西南医科大学科技战略合作项目(2023XYXNYD07)
论文发表日期：2025-03-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 177-185 )
英文信息