使用血管表面网的几何深度学习用于独立于模式的未破裂的内动脉瘤检测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经外科 神经外科

背景情况:

• 早期发现未破裂的内动脉瘤 (UIA) 对于评估破裂风险和指导预防性治疗至关重要.
• 目前用于UIA检测的深度学习方法通常仅限于一种成像模式,例如飞行时间磁共振血管学 (TOF-MRA) 或计算机断层扫描血管学 (CTA).

研究的目的:

• 开发和评估一种独立于模式的深度学习方法,用于检测未破裂的内动脉瘤 (UIA).
• 评估几何深度学习模型的性能,使用大脑血管的高分辨率表面网格来检测UIA.

主要方法:

• 采用了采用ResU-Net风格架构的网状卷积神经网络的几何深度学习模型.
• 该模型处理了大脑血管的高分辨率表面网格,调查了网格分辨率和额外的边缘特征 (形状指数,曲率) 的影响.
• 性能在独立的TOF-MRA和CTA测试集上进行了评估.

主要成果:

• 更高的网格分辨率 (15,000个边缘) 和包括曲率边缘的功能显著改善了UIA检测性能 (平均灵敏度:65.6%,假阳性计数/图像:1.61).
• 该模式独立的模型在独立的TOF-MRA (平均灵敏度:52.0%,平均FPC/图像1.04) 和CTA (平均灵敏度:48.3%,平均FPC/图像1.05) 测试集上取得了可比的性能.
• 拟议的方法证明了在不同的成像方式中强大的UIA检测.

结论:

• 使用血管表面网格模型的模式独立的深度学习方法可以有效地检测未破裂的内动脉瘤.
• 这种方法的性能与现有的最先进的UIA检测技术相美.
• 开发的模型为改善早期UIA检测和患者管理提供了一个有前途的工具.