摘要
背景和目的:脑膜瘤是最常见的颅内占位性病变之一。在术前对脑膜瘤进行定位诊断和分级分类对手术计划制定和预后判断十分重要。本项研究通过人工智能(artificialintelligence,AI)深度学习技术研究脑膜瘤磁共振成像(magneticresonanceimaging,MRI)图像，实现自动识别与分割脑膜瘤，并预测脑膜瘤病理学分级。 材料和方法:本研究的目的是设计一个深度学习算法，并评估其在检测脑膜瘤病变和分级分类方面的性能。总共纳入了5088例经组织病理学确诊的脑膜瘤患者进行回顾性研究。金字塔场景解析网络(PSPNet)被训练用于自动检测和分割脑膜瘤。结果通过平均交并比(mIoU)与手动分割进行了比较。分级分类的性能通过准确性进行评估。 结果:对于自动检测和分割脑膜瘤，所有患者的平均像素准确度、肿瘤准确度、背景准确度和mIoU分别为99.68％、81.36％、99.88％和81.36％;Ⅰ级脑膜瘤为99.52％、84.86％、99.93％和84.86％;Ⅱ级脑膜瘤为99.57％、80.11％、99.92％和80.12％;Ⅲ级脑膜瘤为99.75％、78.40％、99.99％和78.40％。对于分级分类，训练和测试数据集的准确性值分别为所有患者为99.93％和81.52％;Ⅰ级脑膜瘤为99.98％和98.51％;Ⅱ级脑膜瘤为99.91％和66.67％;Ⅲ级脑膜瘤为99.88％和73.91％。 结论:基于深度学习的脑膜瘤的自动检测、分割和脑膜瘤的分级预测是准确可靠的，可能改善这类常见颅内实体肿瘤的监测和治疗。此外，该方法还可以作为一种有用的工具，为放射科医生的术前评估提供辅助信息，有助于临床决策制定。
NETL