自动计算机视觉方法用于图像分割,立体局部定位和基底动脉出血的功能结果预测

科学领域:

• 神经外科 神经外科
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 基底腺内出血 (bgICH) 形态影响术后功能结果.
• 最少侵入性手术 (MIS) 疏散是BGICH的关键治疗方法.
• 对bgICH的准确空间表示对于预测结果至关重要.

研究的目的:

• 为了自动化bgICH空间表示建模用于MIS疏散后的功能结果预测.
• 开发和验证用于bgICH细分和定位的计算机视觉模型.
• 与手动方法相比,评估自动化模型在预测功能结果方面的性能.

主要方法:

• 卷积神经网络 (CNN) 模型被训练用于关键点检测和实例细分,使用CT和CT血管图像.
• 鉴定了解剖学里程碑,以建立一个普遍的立体学参考框架.
• 模型在接受MIS bgICH疏散的患者数据上进行了测试,将预测与修改的兰金级分数相关联.

主要成果:

• 自动细分与手动细分密切相关 (R2=0.95),中位数体积差异为2毫升.
• 中位位置精度为4毫米,所有轴上的地标坐标高度相关.
• 自动化模型预测了功能结果 (mRS4-6),性能与手动模型相比 (AUC0.81与0.84).

结论:

• 计算机视觉模型可以准确地复制手动细分和bgICH的立体局部化.
• 自动化模型有效预测MIS bgICH疏散后的功能结果.
• 这项技术有望改善神经外科手术规划和患者管理.