两阶段卷积神经网络用于CT血管学上分段和检测动脉网络
Hulin Kuang1, Xianzhen Tan1, Fouzi Bala2,3
1Hunan Provincial Key Lab on Bioinformatics, School of Computer Science and Engineering, Central South University, Changsha, Hunan, China.
Journal of neurointerventional surgery
|June 24, 2024
概括
在CT血管学中,状动脉网 (CaW) 的检测通过一种新的两阶段AI方法得到了改进. 这种方法可靠地细分和识别CaW,有助于评估中风风险.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 脑血管疾病 脑血管疾病
背景情况:
- 冠状动脉网 (CaW) 是已知的缺血性中风风险因素,特别是在患有密码性中风的年轻人中.
- 准确检测CaW可能具有挑战性,特别是对于经验有限的医生来说.
研究的目的:
- 开发和验证一种基于深度学习的自动化方法,用于从头部和部CT血管造影中细分和检测动脉网络 (CaW).
- 在临床实践中提高CaW识别的诊断准确性和效率.
主要方法:
- 设计了一个两阶段的卷积神经网络 (CNN) 分段战略.
- 第一个阶段涉及用U形CNN分割动脉.
- 第二阶段定位了动脉分叉,并应用了另一个U形CNN用于CaW细分,随后是检测体积值.
主要成果:
- 与手动细分相比,该算法实现了63.20±19.03%的子相似系数和1.19±0.9毫米的豪斯多夫距离.
- 使用5mm3体积值,该方法证明了高二元分类性能:92.2%的准确性,94.83%的精度,90.16%的灵敏度和94.55%的特异性.
- 在CaW检测曲线下的面积为0.9235,表明强大的歧视力.
结论:
- 拟议的两阶段深度学习方法可在头部和部CT血管学上提供可靠的分段和动脉网络 (CaW) 检测.
- 这种自动化方法有可能帮助医生准确诊断CaW,从而改善中风风险评估.
