通过使用基于深度学习的检测和细分的计算机断层扫描血管学来诊断内动脉瘤
Wei You1, Junqiang Feng2, Jing Lu3
1Department of Neurosurgery, Beijing Tiantan Hospital and Beijing Neurosurgical Institute, Capital Medical University, Beijing, China.
Journal of neurointerventional surgery
|January 18, 2024
概括
一个新的深度学习算法,血管注意力 (VA) -Unet,在头部CT血管图 (CTA) 扫描中有效地检测和分割内动脉瘤 (IAs). 这种AI工具显示出有潜力帮助放射科医生在IA检测和细分方面,提高工作流程效率.
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:
- 检测和细分内动脉瘤 (IAs) 是放射科医生的耗时的手工过程.
- 内动脉瘤带来重大风险,需要准确有效的诊断工具.
研究的目的:
- 为了评估一种新型深度学习算法的有效性,船舶注意力 (VA) -Unet,用于检测和细分IA.
- 评估VA-Unet在头部CT血管造影 (CTA) 图像中与专家解释相比的性能.
主要方法:
- 一项回顾性研究利用来自两家医院的3190个头部CTA扫描,包括下大脑关节出血 (SAH) 和动脉狭窄的病例.
- 在VA-Unet的训练和测试中,使用了包括外部数据集在内的多个队列,使用性能指标,如灵敏度,回忆,每例错误阳性 (FPs/case) 和Dice系数.
- 手动细分作为评估算法的准确性的参考标准.
主要成果:
- 在IA检测的不同队列中,VA-Unet表现出高灵敏度 (95-98%) 和回忆 (88-96%).
- 用子系数测量的细分精度在0.66到0.78.7之间.
- 性能受到动脉瘤大小,分叉,动脉狭窄和SAH等因素的影响.
结论:
- VA-Unet算法准确地检测和分割头部CTA中的内动脉瘤,性能与专家放射科医生相提并论.
- 这种人工智能驱动的方法为提高临床实践中IA检测和细分效率提供了巨大的潜力.
