定量体积计计算机断层扫描 密度 预测 基底脉出血 扩张 和 增强 现场 标志 诊断 准确度

科学领域:

• 放射学 放射学是一门学科.
• 神经学 神经学
• 人工智能在医学中的应用

背景情况:

• 基底腺内性出血 (ICH) 存在血液瘤扩张 (HE) 的风险.
• 准确的风险分层对于选择可能受益于早期手术干预的患者至关重要.
• 目前用于预测HE的方法可能无法完全捕捉所有相关的放射特征.

研究的目的:

• 开发和验证一种自动化的方法,用于从基底腺中提取X光特征.
• 评估规范体积CT密度 (nv-CTD) 在预测血瘤扩张方面的有用性.
• 通过自动化特征提取,改进基底 ICH 的风险分层模型.

主要方法:

• 追溯对108名患有基底腺 ICH. 的患者进行了审查.
• 使用自定义卷积神经网络对ICH卷进行自动细分.
• 放射特征的量化,包括立体位置,NV-CTD,体积,方向和边界不规则.
• 定义HE为≥10毫升的出血体积增加或≥1.7毫升/小时的速度.

主要成果:

• 血液瘤扩张 (HE) 在22%的患者中发生.
• 较低的nv-CTD和积极的斑点标志与HE有关.
• 结合nv-CTD和现场标志的多变量逻辑回归表明,与单独的现场标志 (AUC 0.68) 相比,诊断准确性得到改善 (AUC 0.80).
• nv-CTD是一个显著的预测因子,特别是在斑点信号阴性患者中.

结论:

• 规范体积CT密度 (nv-CTD) 作为基底关节ICH敏度的有价值指标.
• nv-CTD可以增强点位标志,以改善血液瘤扩张的风险分层.
• 自动辐射特征提取为提高ICH结果预测提供了一个有希望的方法.