开发基于深度学习的脑室自分区系统和临床应用,用于评估腹腔大

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:

• 像埃文斯指数 (EI) 这样的当前方法在准确的3D评估中遇到了困难.
• 需要精确的体积评估来支持先进的神经外科干预.

研究的目的:

• 开发和验证一个自动化的多类细分系统,以精确地进行大脑结构的体积评估.
• 评估系统的性能与传统方法相比,以及其在脑脊液 (CSF) 排水程序中的临床实用性.

主要方法:

• 使用了在288次脑CT扫描中训练的nnUNet架构.
• 在内部,外部和公共数据集上验证了模型,包括从227名接受CSF排水的患者的临床数据.
• 将自动体积测量与埃文斯指数 (EI) 和实际CSF排水量进行比较.

主要成果:

• 在5个细分的解剖学类中实现了93.0%的高平均子相似系数,具有强大的腹腔细分 (92.5%).
• 自动体积差异与外部心室排水 (EVD) 病例中的实际CSF排水量有很强的相关性 (调整R2=0.936;P<0.001).
• 埃文斯指数 (EI) 显示了心室体积的中等预测能力 (调整R2=0.430;P<0.001),受患者因素的影响.

结论:

• 与传统方法相比,开发的多类细分系统提供了优越的体积评估.
• 这项技术具有重要的潜力,用于CSF动态的非侵入性监测.
• 该系统可以支持增强现实引导的EVD安置的开发.