頭部コンピュータトモグラフィのトラウマ性脳損傷の病変のセグメンテーションと定量化のためのディープラーニングモデルの最適化と外部検証

科学分野:

• 医療イメージングにおける人工知能
• 神経科学と神経学とは
• 放射線学および医学画像分析分析

背景:

• 現在のトラウマ性脳損傷 (TBI) の分類方法は,制限され,主観的で,時間がかかります.
• 自動化された病変セグメンテーションは,精度と効率を改善するための潜在的な解決策を提供します.
• 以前の作業では,ディープラーニングを用いた脳損傷分析およびセグメンテーションツール for Computed Tomography (BLAST-CT) が導入されました.

研究 の 目的:

• 追加のトレーニングデータを使用してBLAST-CTモデルのパフォーマンスを最適化します.
• 改良されたBLAST-CTモデルを独立したマルチセンターデータセットで外部で検証する.
• 複数のTBI病変のタイプの自動セグメント化と定量化を強化する.

主な方法:

• CENTER-TBI研究からの680個の追加注釈付きCTスキャンで,コンボリューションニューラルネットワーク (CNN) モデル (BLASTバージョン2.0) を再訓練した.
• トラウマ的病変は4つのクラスに分けられる: 内出血 (IPH), 外出血 (EAH), 内出血 (IVH), 内腫 (perilesional edema).
• 外部で検証されたBLAST-CTバージョン1.0と2.0は,独立したPROTEST多センター試験の51の注釈付きCTスキャンで,セグメンテーションの精度メトリックを比較しました.

主要な成果:

• BLAST-CT バージョン2.0は,バージョン1.0.0と比較して,すべての損傷クラスにおける平均ダイス類似度係数 (DSC) の全体的な4%の改善を達成しました.
• IPH (2.94〜1.55 mL) とペリレシオニオンエデマ (1.56〜0.27 mL) の平均絶対体積誤差が改善されました.
• 外部PROTESTデータセットでのパフォーマンスは,内部開発データセットと同等またはそれ以上で,平均DSCは0.60.6でした.

結論:

• 最適化されたBLAST-CT 2.0モデルは,TBIの自動化されたマルチクラス体積的病変セグメンテーションを向上させています.
• モデルは訓練され,多センターの方法で外部で検証され,堅実性と一般化性を実証しました.
• BLAST-CT 2.0は一般に公開されており,大規模なTBI研究と臨床試験のための貴重なツールを提供します.