评估3D深度学习管道用于脑血管和内动脉瘤细分从计算机断层扫描血管造影-数字减去血管造影图像对的3D深度学习管道
Tatsat R Patel1,2,3, Aakash Patel1,2, Sricharan S Veeturi1,2
11Canon Stroke and Vascular Research Center.
Neurosurgical focus
|August 8, 2023
概括
一种深度学习模型 (DeepMedic) 从CT血管造影 (CTA) 扫描中准确地细分内动脉瘤 (IAs),在检测和形态分析方面表现优于人类评级者,特别是在具有挑战性的洞穴性带区域.
科学领域:
- 神经辐射学神经辐射学
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
背景情况:
- 计算机断层扫描血管造影 (CTA) 是内动脉瘤 (IA) 管理的标准,但与数字减去血管造影 (DSA) 相比,它难以检测洞穴性心动脉区域的小IA.
- 对IA形态的准确细分对于有效的患者管理和治疗规划至关重要.
研究的目的:
- 评估深度学习管道 (3D DeepMedic) 来从CTA图像中对脑血管和IA进行细分.
- 将深度学习模型的性能与IA检测和形态分析中的专家人类评级者进行比较,使用DSA细分图像作为基础真相.
主要方法:
- 一个深度学习模型 (3D DeepMedic) 在50个配对的CTA-DSA图像上进行了训练和测试,用于大脑血管细分.
- 基于地标的联合注册将CTA图像与DSA图像对齐,DSA细分作为基础真相.
- 模型的性能使用子相似系数 (DSC) 和连接区域长度 (CAL) 进行了评估;IA检测和形态测量在模型和3名专家评级者之间进行了比较.
主要成果:
- 深度医疗模型实现了高精度,CAL为0.971 ± 0.007和DSC为0.868 ± 0.008.
- 该模型界定了所有IA的形态测量误差<10%,显著超过评级者 (平均检测准确率为0.653).
- 迪普梅迪克 (DeepMedic) 与专家评级者相比,对地面真相的认同度更高,特别是对于洞穴性带区域的IA.
结论:
- 开发的CTA细分网络 (在DSA细分容器上训练的DeepMedic) 为脑血管细分提供了一个高保真度的解决方案.
- 这种深度学习方法显著改善了在CTA上的内动脉瘤的检测和形态分析.
- 该模型特别有望改善在动脉洞穴区域具有挑战性的IA的管理.
