在数字减去血管学上的内动脉瘤细分:一个回顾性和多中心研究
Ruibo Liu1,2, Ruixuan Zhang1,2, Wei Qian1
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, Liaoning, China.
Frontiers in neurology
|October 29, 2025
概括
一个新的深度学习模型,SDAN,在DSA图像中准确地细分内动脉瘤. 它擅长识别小动脉瘤,克服血管重叠等挑战,改善诊断和治疗计划.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 在数字减去血管造影 (DSA) 中精确细分内动脉瘤 (IAs) 对治疗和风险评估至关重要.
- 目前的细分方法面临诸如血管重叠,小损伤大小和与周围血管相似等挑战.
研究的目的:
- 开发一种新的深度学习模型,以在DSA数据集上改进IA细分.
- 具体地解决与细分小IA相关的挑战.
主要方法:
- 提出了一个形状感知双流注意网络 (SDAN),包含一个边缘感知局部注意模块 (ELAM) 和一个全球形状感知融合块 (GSFB).
- 在大型数据集 (62,187张回顾性图像) 上训练并验证模型,并进行外部验证 (26,415张图像).
- 使用子得分系数 (DSC),豪斯多夫距离95 (HD95) 和灵敏度来评估性能.
主要成果:
- 与其他模型相比,SDAN实现了优越的性能,平均Dice分数为0.951 (内部) 和0.944 (外部).
- 该模型在所有动脉瘤大小中表现出高准确性,优于现有方法.
- SDAN有效地解决了由船舶重叠和相似性引起的过度和不足细分的问题.
结论:
- 拟议的SDAN显著提高了DSA图像中的内动脉瘤细分的准确性.
- SDAN为细分小型IA和克服常见的细分挑战提供了强大的解决方案.
- 这一进步有可能改善内血管栓塞和风险评估的临床决策.
