使用基于骨架的3D补丁,语义细分和辅助分类来自动检测内动脉瘤,以克服大脑TOF-MRA中的数据失衡

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经外科 神经外科

背景情况:

• 精确检测内动脉瘤对于预防破裂和指导治疗至关重要.
• 手动检测耗时,具有挑战性,并且受观察者之间的变化影响,特别是在小型动脉瘤.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN),以准确可靠地检测内动脉瘤.
• 提高动脉瘤检测的效率和一致性,使用3D飞行时间磁共振血管学 (TOF-MRA).

主要方法:

• 利用了154个3D TOF-MRA数据集与专家绘制的黄金标准和113个外部验证数据集.
• 预处理的MRA数据包括头骨剥离,正常化和偏差纠正.
• 采用3D U-Net与辅助分类器用于动脉瘤的语义细分,解决不同补丁比率的数据不平衡.

主要成果:

• 美国有线电视新闻网实现了0.910.10的内部验证准确度.
• 外部验证显示准确度为0.883.
• 多任务学习方法在动脉瘤细分方面证明是有效的.

结论:

• 拟议的CNN方法提供了精确可靠的内动脉瘤检测.
• 由人工智能驱动的方法显示了在现实环境中协助临床医生的潜力,提高了诊断效率.
• 这项技术可以帮助及时做出治疗决策,防止动脉瘤破裂.