一个完全自动化的管道使用Swin变压器进行基于深度学习的血液细分在头部计算机断层扫描扫描后动脉瘤下结道出血
Sergio García-García1, Santiago Cepeda2, Ignacio Arrese2
1Neurosurgery Department, Hospital Universitario Rio Hortega, Valladolid, Spain; Neurosurgery Department, Helsinki University Hospital, Helsinki, Finland.
World neurosurgery
|August 7, 2024
概括
这项研究介绍了一种使用Swin-UNETR的AI工具,用于CT扫描自发性动脉瘤下关节出血 (aSAH) 的自动化血液细分. 人工智能模型准确量化SAH,改进了临床使用的手工方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 精确的体积评估自发性动脉瘤下关节出血 (aSAH) 对于临床和预后评估至关重要.
- 目前用于SAH量化的手动和半自动方法是劳动密集型和耗时的.
- 开发自动化工具可以显著提高SAH评估的效率和准确性.
研究的目的:
- 开发和验证人工智能 (AI) 驱动的全自动化血液细分工具,用于脑下关节出血 (SAH) 患者.
- 利用基于变压器的Swin-UNETR架构来对非对比计算断层扫描 (NCCT) 上的SAH进行细分.
- 与手动细分相比,评估自动化工具的准确性和通用性.
主要方法:
- 从aSAH患者的NCCT扫描进行回顾性分析.
- 应用Swin-UNETR架构用于自动化血液细分.
- 使用诸如子得分,交叉与结合以及体积相似度指数等指标进行绩效评估.
- 使用外部机构队列验证以确保可通用性.
主要成果:
- 斯温-UNETR模型在SAH患者的血液细分方面表现出高准确度.
- 实现了高的子系数 (0.873 ± 0.097) 和交叉点与结合点 (0.810 ± 0.092).
- 展示了出色的特异性 (0.996 ± 0.004) 和高效的处理速度.
结论:
- 斯温-UNETR模型代表了在NCCT上自动化SAH血液细分方面的重大进步.
- 该工具在标准硬件上有效,具有用户友好的界面,促进临床采用.
- 建议对各种数据集进行进一步验证,以确认临床可靠性.
