在脑CT图像中对内出血进行自动细分和体积分析
Murat Yüce1, Samet Öztürk2, Gül Gizem Pamuk3
1Icahn School of Medicine at Mount Sinai Biomedical Engineering and Imaging Institute, New York, USA.
European journal of radiology
|February 20, 2025
概括
深度学习模型在CT扫描上准确地检测和分类内出血 (ICH),有助于快速诊断和对这些关键疾病的治疗计划.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的深度学习.
- 神经系统疾病检测检测神经系统疾病检测
背景情况:
- 内出血 (ICH) 是危急的,危及生命的疾病,需要迅速识别和分类.
- 自动化的深度学习细分和体积分析可以显著改善ICH的临床决策.
研究的目的:
- 开发和评估3D U-Net深度学习模型,用于在非对比脑CT图像中自动细分和分类ICH和相关病理.
- 调查不同细分类号对模型性能的影响.
主要方法:
- 使用了1508个非对比CT扫描的精选数据集,其中包括来自医院档案,QURE500和RSNA 2019的数据.
- 放射科医生手动将图像细分为脑膜,脑液,,肺脑和出血亚型.
- 六个3D U-Net模型用不同的标签集进行了训练,并使用5倍交叉验证进行了验证.
主要成果:
- 这些模型实现了高的ICH检测灵敏度 (99%),特异性 (82%),精度 (92%) 和负预测值 (98%),ICH的Dice分数为0.7.
- 脑膜和脑液的细分产生了高的子得分 (分别为0.99和0.95).
- 内膜体内出血 (IPH) 在亚型中显示了最高的Dice分数 (0.61),与优秀的操作者间协议 (科恩的卡帕0.78-0.98).
结论:
- 开发的深度学习模型在检测和分类ICH方面表现出有效性,为临床使用提供了有价值的体积分析.
- 尽管由于数据多样化,Dice的分数较低,但这些模型为患者分拣和手术规划提供了现实的性能.
- 建议进行进一步的研究,以优化这些模型,以提高医学成像任务和改善患者的治疗结果.
