基于深度学习的颅脑CT多种病变分类模型构建与效能评估

宋芹; 赵田田; 刘琼; 任鹏雷; 李栋

doi:10.20267/j.issn.2096-3807.2026.13.008

影像研究与医学应用 ›› 2026, Vol. 10 ›› Issue (13) : 30 -34+38. DOI: 10.20267/j.issn.2096-3807.2026.13.008

基于深度学习的颅脑CT多种病变分类模型构建与效能评估

宋芹, 赵田田, 刘琼, 任鹏雷, 李栋

作者信息 +

Author information +

文章历史 +

摘要

目的:构建高质量、多类别的颅脑CT病变数据集,并基于该数据集开发与验证深度学习多病变智能检测系统,为颅脑CT影像的计算机辅助诊断提供可靠的技术基础。方法:回顾性收集2018年1月—2024年12月阳光融和医院7241例颅脑CT阳性病例,构建包含脑梗死、脑出血、颅骨骨折、占位效应及中线偏移5类病变的数据集,按患者ID以8︰2随机分配的方式划分为训练集(5792例)和测试集(1449例)。采用50层深度残差网络(ResNet-50)作为特征提取主干网络,集成特征金字塔网络(FPN)构建目标检测模型。在独立测试集上评估模型的整体性能和各类别检测能力。结果:训练集与测试集各类病变样本分布基线特征一致,Brier评分分别为0.102、0.104,Hosmer-Lemeshow检验分别为290.34、70.81,差异有统计学意义(P<0.05)。训练集与测试集综合判别性能良好,曲线下面积达0.935、0.927,灵敏度、精确率、特异度、F1分数分别为0.851、0.750、0.865、0.797和0.833、0.749、0.866、0.789。决策曲线分析显示,该模型在训练集与测试集中,于较宽的阈值概率范围内均具有较高的临床净获益。不同病变检测效果存在差异,脑梗死、脑出血样本效果较好,而颅骨骨折、占位效应、中线偏移因样本量占比少,效果较差。结论:本研究成功构建了大规模、单中心来源的5类病变颅脑CT数据集,并验证了基于ResNet-50-FPN的目标检测模型在该数据集上的有效性,为未来颅脑CT智能诊断系统的优化方向提供了实证依据。