改进的深度学习方法的可复制性和跨站点可转移性,用于在飞行时间MR血管图中检测动脉瘤和细分动脉瘤

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:

• 大脑动脉瘤对健康构成重大风险.
• 在飞行时间磁共振血管学 (TOF-MRA) 中精确细分动脉瘤对于诊断和治疗计划至关重要.
• 现有的深度学习模型需要进一步验证和优化以供临床使用.

研究的目的:

• 在TOF-MRA中复制和增强用于脑动脉瘤细分的深度学习模型.
• 评估自动化预处理管道对模型性能的影响.
• 严格评估模型对来自不同供应商的独立外部数据集的可转移性.

主要方法:

• 在235个TOF-MRA上训练了一个卷积神经网络,用于内动脉瘤细分.
• 测试了各种自动化预处理管道 (偏差场校正,重新采样,裁剪,强度正常化).
• 最好的模型在两个独立的外部测试数据集 (每组70个TOF-MRA) 上得到验证,来自同一供应商和其他供应商的扫描仪.

主要成果:

• 与之前的工作相比,增强的模型在外部相同供应商数据集上实现了更高的灵敏度 (0.97) 和子得分系数 (DSC,0.60 ± 0.25).
• 在外部其他供应商数据集 (DSC 0.65 ± 0.26;灵敏度 0.92) 上观察到出色的性能.
• 增加voxel大小显著减少了假阳性 (减少了1x1x1mm的7倍,而不是0.5x0.5x0.5mm).

结论:

• 在TOF-MRAs中成功开发和验证了一种强大的,完全可自动化的深度学习方法,用于大脑动脉瘤细分.
• 该模型在不同扫描仪供应商之间显示出强大的可转移性,这表明了广泛临床应用的潜力.
• 这些发现支持AI驱动的TOF-MRA分析用于动脉瘤检测的临床实用性.