具有域自适应提示 (AMAP) 的解剖学指导面具自动编码器,用于多模式脑动脉瘤检测和细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• 内脑动脉瘤对健康构成重大风险,包括脑下关节出血和中风.
• 精确检测小动脉瘤 (<5毫米) 对于患者的风险评估和治疗计划至关重要,但仍然是当前AI的一个挑战.
• 现有的人工智能方法在小动脉瘤检测,分叉错误细分以及不同成像中心和模式的性能变化方面扎.

研究的目的:

• 引入AMAP (Anatomically-guided Masked Autoencoder with domain-adaptive Prompting),这是一个新的AI框架,旨在可靠地进行脑动脉瘤分析.
• 提高内动脉瘤,特别是小动脉瘤的检测和划分,并提高各种成像数据的稳定性.

主要方法:

• AMAP使用解剖学引导的蒙面自编码器 (MAE) 预训练,专注于脑血管结构并捕捉微妙的动脉瘤形态.
• 域自适应提示集成了全球血管信息与特定案例提示,以改善跨域性能.
• 使用GS-EMA进行边界意识对比学习,调整血管边界并减少血管分叉处的错误阳性.

主要成果:

• 与CNN,变压器和基于基础的基线以及域泛化方法相比,AMAP表现出了优异的性能.
• 该框架实现了3-5%更高的子得分,并将每例虚假阳性减少了约20%.
• 定性分析证实AMAP能够准确地保持边界,并始终检测小动脉瘤,而其他方法往往无法检测到.

结论:

• AMAP代表了人工智能用于脑动脉瘤分析的重大进步,提供了更高的准确性,稳定性和可靠性.
• 该框架显示了可靠和临床适用的AI驱动动动脉瘤查的前景.
• 由于AMAP能够检测小动脉瘤并处理复杂的血管结构,这标志着迈向更有效的神经血管诊断的一步.