目的 探讨深度迁移学习方法辅助腹部增强CT影像在肝肿瘤分割和定量诊断中的应用价值.方法 收集 86 例经临床确诊为肝肿瘤患者的CT影像资料,包括动脉期、门静脉期和延迟期(平衡期)增强CT影像数据.并由 2 位高年资放射诊断医师勾画肿瘤病灶感兴趣区(ROI),将病灶 ROI平均值作为金标准.采用基于深度迁移学习的 3D U-net 网络模型,将门静脉期肝肿瘤CT分割任务中网络提取的语义信息迁移到动脉期及延迟期肝肿瘤 CT 影像分割任务中,从而避免提取类似语义信息过程的重复训练,有效提高动脉期和延迟期肝肿瘤 CT影像分割性能.结果 与直接采用 3D U-net网络模型训练和测试相比,采用深度迁移学习的 3D U-net网络模型后,动脉期及延迟期肿瘤CT影像分割结果有显著提高.结论 基于深度迁移学习的 3D U-net 网络增强CT肝肿瘤分割和诊断模型有效提升多期肝肿瘤增强CT影像分割结果,可以辅助医生诊断和治疗.
作者：姚瑶；周艳艳；曹云堡；叶晔；陈云志；罗中华
来源：实用放射学杂志 2023 年 39卷 10期
