深度几何学习用于内动脉瘤检测:朝着专家评价者绩效的方向
Žiga Bizjak1, June Ho Choi2, Wonhyoung Park2
1Laboratory of Imaging Technologies, University of Ljubljana Faculty of Electrical Engineering, Ljubljana, Slovenia ziga.bizjak@fe.uni-lj.si.
Journal of neurointerventional surgery
|October 13, 2023
概括
深度学习可以在MRA和CTA扫描上准确地检测内动脉瘤 (IA),与专家的灵敏度相匹配,特别是在小型IA. 这种人工智能方法为临床环境中计算机辅助的AI检测提供了一个有希望的工具.
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:
- 早期发现内动脉瘤 (IAs) 对于改善患者的治疗结果至关重要.
- 像CT血管造影 (CTA) 和MR血管造影 (MRA) 这样的当前方法对小IA (<3mm) 具有中度的灵敏度.
- 深度学习显示了在IA检测中实现专家级敏感性的潜力.
研究的目的:
- 开发和验证一种新的深度学习方法,用于检测内动脉瘤.
- 在不同成像方式的IA检测中实现专家级别的灵敏度.
- 评估AI模型在临床环境中的性能.
主要方法:
- 使用了一个大型的多站点数据集,包括1054个MRA和2174个CTA扫描和专家注释.
- 开发了一种两步,模态不可知的深度学习方法.
- 该方法涉及使用nnU-Net进行血管细分和使用PointNet++对采样点云进行动脉瘤分类.
主要成果:
- 该方法在外部验证数据上实现了85% (MRA) 和90% (CTA) 的聚合灵敏度.
- 对小IA (<3mm) 的敏感度为72% (MRA) 和83% (CTA).
- 观察到低的错误发现率 (每张图像1.54-1.57) 和健康数据的最小值 (0.4-0.83).
结论:
- 拟议的深度学习方法在IA检测方面实现了最先进的性能.
- 它与小型和大型IA的专家级敏感度相匹配.
- 该方法适合作为IA的计算机辅助检测工具的临床实施.
