自发性脑出血CT影像分割在老年脑梗死合并脑出血病灶中的计算效果

黄萌，喻晓刚，刘玲

脑梗死是由多种原因引起的局部脑组织区域血液供应障碍，导致脑组织发生缺氧、缺血性坏死，并产生相应的神经功能缺损表现[1]。临床上，根据脑梗死发病机制分为脑血栓形成、脑栓塞、腔隙性脑梗死等，而脑血栓形成占脑梗死的60.0%。既往研究表明，脑梗死好发于老年人，其病因基础为动脉粥样硬化，其次为高血压病、吸烟、饮食不当等[2]，持续的病情发展将会增加脑梗死性脑出血发生率，增加临床诊疗难度。因此，加强老年脑梗死合并脑出血患者出血量精准计算，对制定有效的措施干预具有重要意义[3]。自发性脑出血CT 影像分割是临床上常用的检查方法，能确定患者脑卒中类型，判断颅内出血部位、范围及体积，有助于指导临床治疗[4]。同时，患者出血量计算能引入深度学习的影像分割方法，可将不同区域的像素进行有效分割，有助于区分不同的组织[5]。因此，本研究以老年脑梗死合并脑出血患者为对象，探讨自发性脑出血CT影像分割在老年脑梗死合并脑出血病灶中的计算效果。

1 资料与方法

1.1 一般资料

选择2019年3月至2021年2月老年脑梗死合并脑出血患者189例，纳入标准：符合脑梗死诊断标准[6]，且均伴不同程度脑出血；年龄≥60 岁，均可耐受头颅CT 检查；具有完整的化验单和随访资料。排除标准：具有明确的脑部外伤、凝血功能异常或伴自身免疫系统疾病；认知功能异常、血液系统疾病或器质性疾病；亚急性、慢性硬膜下出血或脑部器质性疾病。所有患者根据出血量分为3 组：①＜5 mL组41例，男24例，女17例；年龄45～81岁，平均（60.39±6.41）岁；病程1～7 h，平均（4.23±0.61）h；出血部位为实质内出血15例，脑室出血16例，蛛网膜下腔出血8 例，混合型出血2 例；②5～25 mL 组92例，男51 例，女41 例；年龄44～83 岁，平均（61.41±6.47）岁；病程1～6 h，平均（4.29±0.66）h；出血部位为实质内出血30例，脑室出血34例，蛛网膜下腔出血25例，混合型出血3例；③＞25 mL组56例，男34例，女22例；年龄42～85岁，平均（62.78±6.53）岁；病程1～7 h，平均（4.31±0.71）h；出血部位为实质内出血23例，脑室出血25例，蛛网膜下腔出血6例，混合型出血2例。

1.2 方法

1.2.1 头颅CT 检查 入院后所有患者均采用西门子128 层64 排螺旋CT 完成头颅CT 检查：管电压110 kV、管电流300 mA、扫描层厚2 mm、间隔5 mm，设定螺距1 mm，矩阵为512×512。检查时患者头先进，先行常规平扫，必要时行CT增强扫描。对于增强扫描患者，采用高压注射器注入非离子型对比剂85 mL，注射速度为4 mL/s，注射完毕后延迟20 s 后进行扫描。将最终获得的数据、图像传输到后处理软件中进行后处理[7]。

1.2.2 出血部位标注 主要从两个阶段进行：①第一阶段，由具备10年工作经验的医生，结合自身的临床经验，排除非自发性出血患者，并根据患者的主诉初步标记出病灶的轮廓、类型及出血部位。借助自主研发的标注平台中标注工具，完成病灶标记的调整、缩小或放大。②第二阶段，由具有20年以上工作经验的副主任医师对第一阶段进一步审核，标记出漏标记的病灶，删除误标记的病灶，进一步完成修整或确定病灶的轮廓、类型及位置，并由高年资医生进行审核，借助多田公式完成出血体积计算[8,9]。

1.2.3 病灶体积的计算 将头颅CT获得的图像由医生对出血区域完成轮廓的勾勒，并完成影像分割（金标准）；采用人工智能检测方法构建模型，借助多田公式完成出血体积计算，根据出血量分为＜5 mL 组、5～25 mL 组和＞25 mL 组，分析构建模型与金标准的绝对和相对误差，获得模型预测的Dice指数。

1.3 统计学处理

采用SPSS24.0软件处理数据，计数资料以率（%）表示，χ2检验，计量资料以（±s）表示，t检验，P＜0.05为差异有统计学意义。

2 结果

2.1 模型预测的Dice指数分析

自发性脑出血CT影像分割模型在老年脑梗死合并脑出血病灶中Dice指数为0.82，与“金标准”符合率较高。脑实质内出血、脑室出血、混合型出血及蛛网膜下腔出血Dice指数为0.85、0.87、0.69、0.72，说明自发性脑出血CT 影像分割模型在脑实质出血上效果佳，见图1。

图1 自发性脑出血CT影像分割模型与金标准比较

2.2 模型与金标准的绝对和相对误差比较

所有患者均完成模型与金标准病灶出血量计算，结果表明，3组模型计算和金标准绝对误差、相对标准差均有显著性差异（P=0.000）；＜5 mL 组、5～25mL 组和＞25 mL 组绝对误差模型计算出血量均低于金标准（P=0.000）；＜5 mL 组相对误差中模型计算出血量高于金标准（P=0.000）；5～25 mL组和＞25 mL组相对误差中模型计算出血量低于金标准（P=0.000），见表1。

表1 模型与金标准的绝对和相对误差比较（mL，±s）

表1 模型与金标准的绝对和相对误差比较（mL，±s）

组别＜5 mL组5～25 mL组＞25 mL组F值P值例数41 92 56/ /绝对误差模型计算0.56±0.11 1.53±0.23 7.52±0.81 7.391 0.000金标准0.64±0.15 1.66±0.26 19.35±0.77 9.051 0.000组别＜5 mL组5～25 mL组＞25 mL组F值P值相对误差模型计算0.34±0.08 0.13±0.03 0.10±0.01 10.491 0.000金标准0.28±0.06 0.25±0.09 0.23±0.07 8.956 0.000

3 讨论

随着我国人口老龄化的加剧，老年脑梗死发生率呈上升趋势，且患者发病后脑出血发生率较高，远期预后较差[10]。既往研究表明，心脑血管疾病是一类威胁人类的主要疾病，具有患病率高、死亡率高及治愈率低等特点，成为居民死亡的重要原因[11]。因此，加强老年脑梗死合并脑出血病灶计算，对改善患者预后具有重要的意义。

近年来，自发性脑出血CT 影像分割在老年脑梗死合并脑出血病灶中体积计算中得到应用，且效果理想[11]。本研究中，自发性脑出血CT影像分割模型在老年脑梗死合并脑出血病灶中Dice指数为0.82，与“金标准”符合率较高。自发性脑出血CT影像分割是一种基于CT 影像学的检查方法，采用人工智能检测分析系统构建模型，基于全卷积深度分割网络，能对输入的影像数据进行体素级别分析[12]。同时，模型构建时借助CT数据和影像能实现多方位标准化测定，包括：最优窗宽、窗位选择等，必要时可联合三维矫正变换。既往研究表明[13]：自发性脑出血CT影像分割以U-Net 作为骨干网络，通过多个模块可增强骨干网络的拟合能力，促进网络全局信息的建模，如信息卷积、稠密空洞卷积等，均能提高病灶体积的计算精度和准确度。本研究中，3组模型计算和金标准绝对误差、相对标准差均有显著性差异（P=0.000）；从本研究结果看出，自发性脑出血CT影像分割用于老年脑梗死合并脑出血病灶中误差相对较小，且出血量越小，误差越小。既往研究表明，深度学习技术是基于脑CT 的一种新型方法，能实现疾病的检出、分类，借助脑CT 能实现病灶的分类与识别[14]。国外研究表明，借助热力图能解释分类模型中脑出血图像的识别位置，可获得较高的灵敏度与特异度[15]。为了进一步分析自发性脑出血CT影像分割用于老年脑梗死合并脑出血病灶中计算效果，本研究将构建模型与金标准进行比较，结果表明，建立的分割模型与金标准准确性较高，不同位置、不同类型出血病灶，模型均具有较高的稳定性，分割性能良好。

综上所述，自发性脑出血CT 影像分割用于老年脑梗死合并脑出血病灶中能准确地计算病灶体积，从而进一步指导临床治疗。