文摘
客观的。深入学习算法开发了自动检测和定位DSA的颅内动脉瘤及其临床特点进行了分析,并制定有针对性的护理措施。方法。使用回顾性多中心研究方法基于放射学报告,DSA图像的动脉瘤75例随机分为训练集,在内部测试集20例,外部测试集和35例。使用计算机辅助检测方法基于三维U-Net (3 d U-Net),预处理DSA图像后,自动执行的颅内血管分割获得感兴趣的区域,并根据细分结果,介绍了医生的注释。3 d U-Net网络模型的训练和调整,和获得模型用于自动检测脑动脉瘤。结果。5倍交叉验证用于内部训练集和测试集,和一个的敏感性 获得了。自动检测动脉瘤进行外部测试集,和假阳性率平均为0.86 FPs / case(假阳性/ case)。由此产生的敏感性为82.9%。外部测试集的分类比较表明,该方法的灵敏度检测动脉瘤大小为5.00 ~ < 10.00毫米和≥10.00毫米(88.2%和100.0%)高于动脉瘤的大小< 3.00毫米和3.00 ~ < 5.00毫米(50.0%和72.7%)。50 - 60岁患者的敏感性和> 60岁(90.0%和87.5%)高于病人年龄< 50年(66.7%),和几乎没有区别不同性别(男性81.8%,女性84.6%)。结论。深入学习算法具有较高的诊断性能检测颅内动脉瘤,由外部验证数据集。
1。介绍
颅内动脉瘤(IA)是一个肿瘤扩张引起的局部脑血管异常变化,是一种相对常见的脑血管疾病,发病率约为3% ~ 5%的普通人群(1]。大多数(大约90%)未破裂颅内动脉瘤患者(uia)通常没有明显的临床表现,而只有10%的病人会有特殊的症状如头痛和单边面部麻木(动脉瘤影响相邻神经或大脑结构)(2]。破裂的IAs nontraumatic蛛网膜下腔出血(SAH)的主要原因,每年的发病率约为1% (3,4),但高死亡率和伤残率(5- - - - - -7]。大约12%的患者治疗前诊断。他们已经死了,仍有40%的死亡率在一个月后治疗。大约30%的患者将剩下的神经功能障碍,只有少数患者(有一个稍微好一点的预后8,9]。早期准确的检测具有重要意义颅内动脉瘤患者的临床管理和预后。
医学成像中发挥着越来越重要的作用在疾病的诊断和治疗,是一种重要的工具,为医生进行疾病筛查,临床诊断、治疗指导,和疗效评估。近年来,随着医学影像技术的发展,IAs的检出率也在增加。磁共振血管造影(MRA)、计算机断层扫描血管造影(CTA)和数字减影血管造影(DSA)是IAs的常见的检查方法。在这个阶段,诊断的“金标准”IAs仍DSA,有超过95%的敏感性,但操作复杂,设备和技术要求很高,缺点如难重复,价格高,侵袭性,许多并发症。临床应用是有限的。然而,由于不同形状和大小的IAs和复杂形态的父母动脉,常规体检的快速筛选的工作量很大,而且很容易错过诊断和误诊仅仅依靠阅读手册。
计算机辅助诊断(CAD)是人工智能(AI)技术的一个分支,它利用机器学习算法来分析和评价医学图像。深度学习(DL)是目前最有前途的机器学习算法和关键技术革新AI +医学成像(即。,CAD)。DL方法一般指深分割基于卷积神经网络(CNN)的网络模型,可以自动学习功能一层一层地从大量的输入数据和完整的分类和识别任务,形成一个端到端的结构。它具有较强的鲁棒性和泛化能力。基于DL的CAD系统有巨大的潜力和临床应用价值提高病理诊断的准确性,减少被忽视或误诊,减少医生的工作量。在这项研究中,一组自动检测方法建立了基于DSA技术的脑动脉瘤。使用此方法,医生可以获得的三维(3 d)截面模型怀疑动脉瘤地区和颅内动脉血流动力学分析后颅DSA图像的输入。整个方法的核心是使用3 d FCN,和检测结果后可以获得图像的输入符合医学数字成像和通信标准(DICOM)。
2。材料和方法
2.1。研究对象
130年的图像数据未破裂颅内囊性动脉瘤患者接受常规体检或看到一个医生在我们医院从2020年1月至2021年12月被选中。根据训练集的比例和内部测试组4:1,病人被随机分为三组:训练集(75例),内部测试组(20例)和外部测试集(35例)。患者的年龄在训练集和内部测试集28 - 86岁,37.5%的人年龄> 60岁。其中,训练集的患者的平均年龄 岁的男性病人的平均年龄(24例) 岁,女性患者的平均年龄(51例) 岁了。患者的平均年龄在内部测试集 岁,平均年龄的男性患者(7例) 岁了。女性患者的平均年龄(13例) 年。 岁的占42%。动脉瘤大小内部训练集和测试集的范围从1.39毫米到21.00毫米,和38.5%的患者动脉瘤 毫米。训练集共79动脉瘤(4双病例中,有71单例),和内部测试集26动脉瘤(4双情况下,1三例,15个单例)。外部测试集的动脉瘤大小范围从2.00到23.10毫米,40%的患者有动脉瘤 35毫米,总动脉瘤(所有单例)。见表1。内部训练集和测试集,两个放射科医生有超过5年的经验,和外部测试集,两个放射科医生3年以上的经验,及DSA结果作为金标准。
2.2。培训环境和成像方法
本研究中使用的培训环境如下:中央处理器是英特尔酷睿19 - 9900 k, Nvidia DDR4 2400 MHz 32 GB的内存,显卡是Nvidia GeForce 2080 Ti RTX,和操作系统是微软Windows 10专业版。在这种环境下,200年的培训过程迭代需要16个小时,当检测动脉瘤,平均检测速度是58 s /情况,包括血管分割的输出结果和检测结果的输出。整个脑血管造影术的图片收集所有患者相同的参数:通用电气4100年英诺华数字平板血管造影系统和三维工作站。根据上方法,股动脉穿刺,颈内动脉和椎动脉进行血管造影和5 f造影导管,和额叶侧DSA检查获得DSA图像。由于回顾性资料分析,所有病例在登记不清楚图像被排除在外。
2.3。研究方法
首先,扩展数据集,训练集是扩展到600例,内部测试集是扩大到160例通过翻转,离散高斯滤波和直方图均衡化过滤。与此同时,所有数据被视为各向同性和周围的空白部分数据被割断。
动脉瘤自动检测方法在本研究设计分为两个主要步骤:(1)自动分割的颅内动脉和(2)动脉瘤检测使用一个FCN-based方法执行。
2.3.1。脑动脉分割
DICOM图像预处理后,使用非线性滤波增强血管的灰度范围。边界框法用于自动选择种子点周围的头骨表面,并通过自适应阈值的区域增长,头骨区域的体素,和头骨可以自动删除。自压在高信号值区主要是血管DSA图像,二值化后在体积上执行数据删除头骨,和连接域统计数据上执行的关键数据(10]。根据连通域的大小,选择一个种子点。的灰度值分布中的血管DSA图像数据类似于高斯分布。使用连接域的统计结果,根据高斯分布的特点,血管区域的灰度分布范围可以自动确定,使用和获得种子点和范围来确定该地区。在增长,颅内动脉血管树。3 d重建表面的血管树的执行,以及由此产生的血管树模型可用于血液动力学分析。
2.3.2。动脉瘤检测
一个优化3 d U-Net网络用作检测核心(11]。网络是能够处理的 体元数据。训练模型时,所有的数据在训练集是第一次重新取样 ,和统一的参数标记区域膨胀。有两种标签标记的区域,即血管和动脉瘤。网络训练采用在线学习的形式,学习速度是5 - - - - - -2,优化方法是自适应估计(亚当)+随机梯度下降法(SGD)。培训完成后约200迭代和要16个小时。
完成训练后的网络模型,该模型用于检测动脉瘤。测试的数据集是首先分段,然后分段检测到血管树。模型可以给动脉瘤的概率值为每个容器树体素,采用基于双曲函数的自动阈值选择方法进行分类检测结果分为两类:血管和动脉瘤。当显示检测结果,所有体素的动脉瘤标签的中心,和动脉瘤存在的球形空间某一半径(半径与扩张过程)的半径一致被标记为一个提示给用户。参见图1。
2.4。观察指标
骰子系数是用来确定与动脉瘤明显区域重叠,重叠和不重叠的地区。根据是否有动脉瘤明显地区为基础评价该方法的性能,使用以下两个指标:(1)敏感性:覆盖区域标记的数量比动脉瘤的总数实际上现有的和(2)假阳性率:标签的数量的比例没有动脉瘤的地区样本大小。
2.5。统计处理
Microsoft Excel 2013软件应用。由正态分布的测量数据 ,和计数数据由频率( )和百分比(%)。
3所示。结果
在这项研究中,数据集随机分为三个子集:训练集,内部测试集,和外部测试集。其中,外部测试集不参加培训和参数调整过程。
本研究使用5倍交叉验证对训练集和内部测试集平均的敏感性 。外部测试集,该方法的检测灵敏度是82.9%,假阳性率为0.86 FPs /案例(假阳性/ case)。外部测试集的分类比较数据显示方法的灵敏度(88.2%和100.0%)检测动脉瘤大小为5.00 ~ < 10.00毫米和≥10.00毫米高于对动脉瘤的大小< 3.00毫米和3.00 ~ < 5.00毫米(50.0%和72.7%)。50 - 60岁的病人的检测灵敏度和> 60岁(90.0%和87.5%)高于< 50岁的病人(66.7%)。不同性别之间的检测灵敏度的差异(分别为84.6%和81.8%,男性和女性)是很小的。见表2。
6中未被发现动脉瘤(假阴性)的外部测试集,有4个女性和2男性,35 - 69岁,动脉瘤的大小从2.60到5.67毫米。有30个假阳性结果:17例发现,2例,5例,1例3例;剩下的12例没有假阳性结果。
4所示。讨论
颅内动脉瘤是脑hemangioma-like突出异常引起局部血管形态学的变化。动脉瘤的病因尚不清楚。先天性因素包括以下几点:脑动脉的壁厚约1/3薄比其他部分相同的直径,它缺乏周围组织的支持,这熊大的血液流动,特别是在分岔。后天因素包括感染、创伤、肿瘤和动脉粥样硬化;它们中的大多数都是先天因素。颅内动脉瘤的形成机制是应力损伤动脉壁的血液流动。由于血流量的变化,动脉壁的一部分向外突出,形成一个永久的地方扩张。压力的大小通常是与血管的速度和角度。颅内动脉瘤是归类为严重的脑血管疾病由于其隐性发病,发病机制复杂,和关键的开始12]。
DSA结合旋转血管造影术、DSA技术和计算机三维图像处理技术。二次旋转DSA图像数据收集后,它可以在任何角度观察和精确测量病灶,从而减少血管造影图像的数量。从形态学的角度,清晰的观察是必要的。肿瘤的身体之间的关系和父母动脉的直径可以分析肿瘤直径,和相邻关系与周围血管和血液循环可以分析,图像采集的质量和安全的介入诊断和治疗可以改善,和相应的治疗可以执行后血管造影术(13]。
所有收集的数据在这个研究DSA图像均匀参数从门诊病人和例行的身体检查。的年龄、性别、动脉瘤动脉瘤位置和大小的受试者被随机分配。外部测试集,通过分析结果可以看出,在检测方法的研究中,不同性别和不同年龄对加工性能影响甚微,但动脉瘤的大小对加工性能的影响更大。在这项研究中,方法的灵敏度检测动脉瘤和样品 mm是100.0%(包括内部测试集和外部测试组),和敏感性检测动脉瘤大小5.00 ~比< 10.00毫米~动脉瘤的大小3.00 < 5.00毫米。因此,考虑到不同大小的检测性能的动脉瘤,动脉瘤的大小的检测能力≥5毫米优于动脉瘤的大小< 5.0毫米。结果不能证明该方法的检测性能对动脉瘤的大小。的假阳性,假阳性的平均速度在这项研究为0.86 FPs /情况,每种情况和假阳性的数量是0 - 3。
这项研究的结果表明,该检测方法对样本的年龄并不敏感。这些方法来检测动脉瘤的能力 岁的比这更好 岁了。由于在本次研究中使用的数据都使用一个统一收购矩阵,图像的清晰度并没有改变在不同样本,所以检测方法的检测性能在这个研究不能证明其他清晰度样本。而言,然而,这种方法的假阴性结果的分布的样本,使用的FCN研究适用于动脉瘤检测的任务,并增加训练样本的数据量将提高性能的方法。假阳性的表现而言,假阳性结果在本研究中主要是动脉瘤的大小< 3.00毫米。由于过程,假阳性结果都是位于脑动脉,用户需要确认两次,但平均误判率较高。此外,假阳性的数量在一个样本是最多3,和二次确认的工作量相对较小。目前的假阳性率条件下,它被认为是优先改善方法的敏感性,避免漏诊。
本研究是基于深度学习的检测方法,样本容量的130例,获得结果的敏感性为82.9%,假阳性率为0.86 FPs / case。建筑师et al。14)使用一个二维ResNet-18网络中et al。15)使用了一层CNN和切片数据在多个方向,和Hanaoka et al。16)使用基于人工特征和支持向量机的方法来检测动脉瘤。比较表明,本研究的敏感性和假阳性率比结果Hanaoka et al。(敏感性80.0%,假阳性率3.00帧/ case)。其效果优于传统的人工特征的方法。然而,研究的样本量中尾等人小于建筑师,在研究et al .,和更少的网络层达到更好的结果,这可能表明,在足够的样本大小的情况下,网络结构对检测结果产生重大影响。浅网络也可能超过深网络动脉瘤检测的任务。本研究的样本容量显著低于中et al。(450例)和建筑师et al .(1271例),但使用的3 d FCN所需的样本数量比的二维网络(二维网络可以转换每个片被视为1样本,而3 d网络把每个动脉瘤1示例),所以敏感性低于Nakao等人,建筑师et al。这项研究由建筑师et al。(2.90和6.60帧/案例)也显示了潜在的3 d FCN动脉瘤检测。
综上所述,本研究也有类似的检测性能的检测方法对不同类型的数据(年龄,性别,和动脉瘤大小),同时也证明了3 d FCN弯曲等结构有很好的效果,分岔,动脉瘤血管(识别能力)。然而,3 d网络训练数据的数量,有更高的要求和噪声数据对培训结果的影响更大。目前,在这项研究中检测方法的敏感性是82.9%,从临床应用仍有一定距离。在未来的研究中,我们将重点放在改善方法,如数据扩张和网络模型层减少,为了提高检测方法的研究和整体性能。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。