使用卷积神经网络在数字减去血管学上检测胃肠道出血,有或没有时间信息

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 胃肠病学 胃肠病学

背景情况:

• 数字减去血管学 (DSA) 用于实时定位下部胃肠道 (GI) 出血.
• 在血管图上识别出血源可能具有挑战性.
• 机器学习为改善出血检测提供了潜力.

研究的目的:

• 开发和评估一种机器学习工具,用于在DSA图像上定位胃肠道出血.
• 评估2D和3D深度学习模型对此任务的性能.
• 为了确定图像后处理技术的有效性.

主要方法:

• 从2007年到2021年进行的中腔动脉血管图和DSA图像的分析.
• 使用增强出血图像数据对二维和三维残余神经网络 (ResUNet++) 进行训练.
• 具有和没有叠加后处理 (SIPP) 技术的模型评估.

主要成果:

• 2D ResUNet++模型显著超过了3D ResUNet++模型的性能.
• 2D ResUNet++通过SIPP增强实现了95%-97%的准确性.
• 由于虚假阳性增加,SIPP技术将Dice相似系数降低到80%.

结论:

• 可以训练二维和三维ResUNet++网络来检测DSA上的胃肠道出血.
• 为了实时的临床实施,需要进一步的研究.
• 自动检测可能会缩短栓塞时间并改善患者的治疗结果.