一种基于面具R-CNN的方法,用于从TOF-MRA数据中检测和细分脑动脉瘤
Emre Aykaç1,2, Gürol Göksungur3, Güneş Seda Albayrak4
1Department of Biomedical Engineering, Graduate School of Natural and Applied Sciences, Erciyes University, 38039 Kayseri, Türkiye.
Brain sciences
|December 24, 2025
概括
一个新的深度学习模型在飞行时间磁共振血管学 (TOF-MRA) 扫描中有效地检测小内动脉瘤. 这种人工智能工具显示出作为放射科医生的第二个阅读器的前景,提高了神经血管成像的诊断准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 精确检测内动脉瘤,特别是小的动脉瘤 (<3毫米),在飞行时间磁共振血管学 (TOF-MRA) 中具有挑战性,因为其细微的特征和低对比度.
- 现有的方法难以对微动脉瘤产生敏感性,需要先进的检测技术.
研究的目的:
- 开发和评估基于Mask R-CNN的深度学习框架,用于自动检测和细分内动脉瘤.
- 通过特定的架构修改,提高模型对小动脉瘤的灵敏度.
主要方法:
- 使用了447个TOF-MRA卷 (161个动脉瘤,286个健康) 的数据集,并进行了5倍的交叉验证.
- 实施贝叶斯超参数优化 (Optuna) 并引入了一个小对象意识到ROI头部和定制.
- 纳入健康扫描作为负样本,并应用有针对性的数据增强,以提高概括性.
主要成果:
- 获得了0.8832的子系数,0.9404的精度和0.8677.7的灵敏度.
- 在包括微型动脉瘤在内的各种动脉瘤大小中表现一致.
- 该模型在提高背景建模和区域提案质量方面被证明是有效的.
结论:
- 开发的深度学习工具为内动脉瘤检测提供了临床上可行的解决方案.
- 建筑创新和自动化优化为协助放射科医生的可靠系统做出了贡献.
- 该框架显示了作为第二读者系统的潜力,改善了神经血管成像中的诊断准确性.
