在使用深度学习卷积神经网络图像细分方法的圆束计算机断层扫描中检测额外外和内化状动脉动脉瘤
Shahd A Alajaji1, Rula Amarin2, Radi Masri2
1Department of Oncology and Diagnostic Sciences, School of Dentistry, University of Maryland Baltimore, MD, USA; Division of Artificial Intelligence Research, University of Maryland School of Dentistry, Baltimore, MD, USA; Department of Oral Medicine and Diagnostic Sciences, College of Dentistry, King Saud University, Riyadh, Saudi Arabia.
Oral surgery, oral medicine, oral pathology and oral radiology
|September 28, 2023
概括
一种深度学习模型有效地检测了轴束CT图像中的化动脉动脉瘤 (CCAA). 然而,它对内CCAAs的性能是有限的,这表明需要进一步研究.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 化动脉动脉瘤 (CCAA) 是中风的重要危险因素.
- 准确检测CCAA对于风险分层和患者管理至关重要.
- 圆束计算断层扫描 (CBCT) 越来越多地用于各种医疗领域.
研究的目的:
- 开发和评估深度学习卷积神经网络 (DL CNN),用于检测CBCT图像上的CCAA.
- 评估模型在区分额外和内CCAAs方面的表现.
主要方法:
- 使用基于U-Net的DL CNN架构使用转移学习.
- 该模型在170个轴心CBCT切片上进行了训练和验证,这些切片来自137名确诊CCAA的患者.
- 使用准确度,灵敏度,特异性和接收器操作特征曲线 (AUC) 下的面积来评估性能.
主要成果:
- 在轴切片上,DL CNN实现了高精度 (92%的训练,82%的验证) 和额外外CCAAs的AUC (0.84).
- 内CCAA的性能较低 (61%的训练,70%的验证准确度;AUC0.5).
- 对全体积CBCT的测试显示,对额外内CCAA的歧视是可以接受的 (AUC 0.72),但对内CCAA的歧视很差 (AUC 0.55).
结论:
- DL CNN在轴性CBCT图像上显示了检测额外骨CCAAs的优秀潜力.
- 该模型显示了额外内CCAA在全体积中可接受的性能,但需要进一步开发用于内CCAA检测.
- 需要进行额外的研究,以提高该模型在识别内结石性动脉动脉瘤方面的有效性.
