图表卷积网络用于自动化内动脉标记
Iris N Vos1, Ynte M Ruigrok2, Ishaan R Bhat1
1University Medical Center Utrecht, Image Sciences Institute, Utrecht, The Netherlands.
Journal of medical imaging (Bellingham, Wash.)
|February 19, 2024
概括
这项研究增强了在图形卷积网络中使用以图谱为基础的特征对内动脉的自动标记. GraphConv操作员显著提高了分类准确性,有助于识别未破裂的内动脉瘤的危险因素.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 神经科学和神经学是神经科学和神经学.
背景情况:
- 未破裂的内动脉瘤 (UIAs) 构成子关节下出血的风险,这是一种严重的中风类型.
- 精确识别内动脉对于评估UIA相关风险因素至关重要.
- 需要自动化方法来提高内动脉标记的效率和准确性.
研究的目的:
- 使用图形卷积网络 (GCNs) 增强内动脉标记.
- 调查基于地图集的特征在改善GCN动脉分类性能方面的有效性.
- 为了在这个任务中比较不同的GCN运营商,以获得最佳的性能.
主要方法:
- 利用了150个人的3D飞行时间磁共振血管学扫描.
- 在GCN模型中使用GCNConv和GraphConv操作员来对12条动脉分叉进行分类.
- 应用交叉验证和威尔科克森签名等级测试来评估基于图谱的特征和模型性能.
主要成果:
- 基于Atlas的功能显著提高了节点分类的准确性.
- GraphConv操作员表现出卓越的性能,平均回忆率为0.87和精度为0.90.
- 观察到优秀的模型校准,预期校准误差为0.02.
结论:
- 整合基于地图的特征可以提高内动脉标记的准确性.
- 推使用 GraphConv 运算符,而不是 GCNConv,因为它能够整合更高层次的结构信息.
- 改进的动脉标签有助于更好地识别未破裂的内动脉瘤的危险因素.
