基于生成对抗网络的多模态脑肿瘤MRI图像分割效果研究

摘要

目的：构建基于生成对抗网络的多模态脑肿瘤MRI图像分割模型，对比其与传统阈值分割法的分割效果。方法：在2022年1月至2024年12月期间，于我院收治的120例脑肿瘤患者中，选取了其多模态MRI图像，之后运用随机数字表法，将这些患者分为试验组和对照组，每组均为60例，对于试验组，运用构建的生成对抗网络模型来开展图像分割工作，而对照组则采用传统阈值分割法（基于最大类间方差法确定分割阈值）。对两组分割结果的准确率、Dice相似系数以及分割耗时进行比较，将病理诊断结果以及资深放射科医师手动分割结果作为金标准。结果：试验组分割准确率为96.8±2.1%，显著高于对照组的82.3±3.5%；Dice相似系数为0.92±0.04，显著高于对照组的0.75±0.06；分割耗时为28.5±4.2秒/例，显著短于对照组的65.3±7.8秒/例，差异均有统计学意义（t=26.853、20.974、32.156，P＜0.001）。亚组分析显示，对边界模糊的高级别胶质瘤（WHOⅢ-Ⅳ级），试验组Dice相似系数（0.89±0.05）仍显著高于对照组（0.70±0.07），差异有统计学意义（t=16.325，P＜0.001）。结论：运用生成对抗网络构建的多模态脑肿瘤MRI图像分割模型可提升分割准确率以及区域重叠度，还可以缩短分割所花费的时间，针对边界模糊的复杂脑肿瘤其分割效果更为出色，可为脑肿瘤诊断和手术规划提供精准的影像支持。​