融合CNN和Transformer的颅内动脉瘤CTA图像分割

摘要

目的 探讨融合CNN和Transformer的深度学习模型在颅内动脉瘤CTA图像分割中的应用效果。方法 回顾性收集108例未破裂颅内动脉瘤患者的CTA影像数据，分为训练集88例、测试集20例。采用融合CNN-Transformer混合结构的nnFormer模型对CTA图像中的颅内动脉瘤进行自动分割。针对颅内动脉瘤存在位置分布不均、边缘模糊等特点，对模型损失函数进行优化，使用Dice相似系数值、平均交并比（mIoU）、精确率和召回率作为评价指标来评价模型的分割效果，以医生人工标记为参考标准。结果 在测试集上的Dice相似系数值、mIoU、精确率和召回率分别达到了0.842、0.739、0.844、0.861，在颅内动脉瘤分割任务中取得了较为优异的结果。与其他分割方法相比，各项评价指标均有不同程度的提升。结论 融合CNN和Transformer的深度学习模型能对颅内动脉瘤CTA图像进行精准分割，有效提高医生的诊断效率，临床应用价值较高。

关键词

颅内动脉瘤 / 损失函数 / 医学图像分割 / 深度学习