从基线和随访头部计算机断层扫描优化自动化血瘤扩张分类

科学领域:

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

背景情况:

• 血瘤扩张 (HE) 是脑内出血 (ICH) 结果差的一个关键预测因素.
• 准确的HE评估需要在CT扫描上手动对血瘤进行细分,这对于大型数据集来说是耗时的.
• 自动细分方法可能会受到累积错误的阻碍,影响HE分类的准确性.

研究的目的:

• 开发和验证用于ICH的自动化血液瘤细分和HE分类的计算管道.
• 整合一个深度学习模型来估计错误的高等教育分类的概率,从而优化专家审查.
• 为了减少手工工作量,提高HE注释在大规模ICH研究中的效率.

主要方法:

• 一个协同的深度学习分类模型与自动化血液瘤细分相结合.
• 三个多中心队列 (n=2261) 用于培训,内部测试和外部验证.
• 对于≥3,≥6,≥9和≥12.5毫升的体积,生成了基准真实二进制HE注释.

主要成果:

• 该管道实现了高效的HE注释,具有95%的灵敏度值,不包括47-88%的专家审查预测.
• 在内部和外部验证队列中,观察到不到2%的错误负值错误分类率.
• 该战略有效地将错误分类率降到最低,同时减少了专家审查的负担.

结论:

• 开发的管道为大型ICH数据集中的地面真实HE分类提供了一种时间效率高和可优化的方法.
• 将自动细分与深度学习概率测量相结合,提高了高等教育评估的可靠性.
• 这种方法大大减少了大型ICH研究所需的手动专家审查,促进了对HE的研究.