集成的深度学习模型用于检测,细分和用CT血管学进行内动脉瘤的形态分析
Yi Yang1, Zhenyao Chang1, Xin Nie1
1From the Department of Neurosurgery, Beijing Tiantan Hospital, Capital Medical University, Beijing 100050, China (Y.Y., Z.C., X.N., J.W., H.H., S.W., Q.L.); China National Clinical Research Center for Neurologic Diseases, Beijing, China (Y.Y., Z.C., X.N., J.W., S.W., Q.L.); Unimed Technology (Beijing), Tsinghua Tongfang Science and Technology Mansion, Beijing, China (J.C., W.L.); Beijing Neurosurgical Institution, Capital Medical University, Beijing, China (Z.C., H.H.); and Department of Radiology, University of Washington, Seattle, Wash (C.Z.).
一个新的深度学习模型使用CT血管学 (CTA) 数据准确地测量未破裂的内动脉瘤 (UIA). 这种人工智能工具可以提高初级放射科医生的UIA形态分析的表现.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 未破裂的内动脉瘤 (UIA) 需要精确的形态测量来进行风险评估.
- 当前的测量方法可能是主观的,耗时的.
- 深度学习为医疗成像数据的自动化和准确分析提供了潜力.
研究的目的:
- 开发和验证一个集成的深度学习 (IDL) 模型,用于UIA检测,细分和用CT血管学 (CTA) 数据进行形态测量.
- 评估IDL模型在多中心外部测试集上的性能.
- 评估IDL模型在UIA形态分析中协助初级放射科医生的能力.
主要方法:
- 一项回顾性研究,利用来自第三级转诊医院的CTA数据进行培训,以及用于外部验证的多中心数据集.
- 基于nnU-Net算法的IDL模型开发,用于UIA检测,细分和形态测量.
- 使用子相似系数 (DSC) 和类内相关系数 (ICC) 的性能评估,以高级放射科医生测量为参考标准.
主要成果:
- IDL模型在UIA检测中实现了97%的准确性,在细分方面达到0.90的DSC.
- 基于模型的形态测量表明与参考标准有很好的一致性 (在培训中ICC> 0.85,在外部测试中> 0.80).
- 通过IDL模型辅助的初级放射科医生显著改善了UIA尺寸测量精度 (ICC从0.88提高到0.96,P<.001).
结论:
- 开发的IDL模型显示了从CTA数据中检测,细分和测量UIA的高准确性.
- 在多中心外部验证数据集上,IDL模型可靠地执行.
- 这种人工智能工具可以有效地帮助经验较少的放射科医生进行UIA的形态分析,从而有可能提高诊断一致性.
相关概念视频
Imaging Studies for Cardiovascular System V: CT
Imaging Studies VII: Vascular Imaging


