Radiology：基于深度学习的CTA脑动脉瘤分段和检测

脑动脉瘤是动脉壁的局部异常凸起，约85%的非外伤性蛛网膜下腔出血由其引起，死亡率为23%-51%。动脉瘤破裂的风险取决于动脉瘤的大小、形状和位置。大脑前动脉或大脑中动脉中的脑动脉瘤往往在小直径处破裂。然而，目前小动脉瘤的检出率并不令人满意，这可能会增加破裂的风险。因此，及时发现和表征脑动脉瘤，特别是小动脉瘤，对于有效的患者治疗是不可或缺的。

脑动脉瘤检测的参考标准是数字减影血管造影( DSA)， DSA是有创检查，因此并不用于常规筛查。CT血管造影(CTA)通常是动脉瘤识别的一线影像学检查，其在临床诊断中的作用是发现脑动脉瘤并生成三维成像的重要技术。然而，在CTA图像上识别脑动脉瘤耗时且容易出错，特别是对于经验不足的临床医生，因为动脉瘤的尺寸很小，与脑血管的对比微弱。因此，在CTA扫描上准确识别脑动脉瘤仍然具有挑战性，可以通过自动化软件解决方案加以改进。 深度学习(DL)方法最近被用于医学图像的区域分割、检测和识别。基于卷积神经网络的方法比传统方法(例如区域增长和一些混合的传统机器学习方法)显示出更好的分割性能。

最近，发表在Radiology杂志上的一篇研究利用多中心数据集构建脑动脉瘤模型，对CT血管造影(CTA)图像进行准确的脑动脉瘤分割和检测，并将其性能与影像学报告进行了比较。

本项研究回顾性收集了2018年2月至2021年10月8家医院疑似未破裂脑动脉瘤的连续头部或头颈部CTA图像，进行模型开发。在2022年2月至2023年2月期间，研究回顾性地从八家医院中的一家获得了参考标准数字减影血管造影(DSA)扫描的外部测试集。由放射科医生(参考标准)评估动脉瘤分割，而使用Dice相似系数(DSC)评估模型性能。使用DeLong测试，通过灵敏度和比较模型与DSA数据集中放射学报告的接受者工作特征曲线(auc)下的面积来评估模型的动脉瘤检测性能。

共有6060例患者(平均年龄56岁±12岁;3375例(55.7%)女性)纳入模型开发(培训:4342例;验证:1086;内部测试集:632)。另有118例患者(平均年龄59岁±14岁;79例(66.9%)女性)被纳入外部测试集，以评估基于DSA的表现。该模型在内部测试集中动脉瘤分割性能的DSC为0.87。使用DSA，该模型在单个血管分析中检测动脉瘤的灵敏度达到85.7%(126个动脉瘤中的108个[95% CI: 78.1, 90.1])，与放射学报告没有差异(AUC, 0.93 [95% CI: 0.90, 0.95] vs 0.91 [95% CI: 0.87, 0.94];P = .67)。从重建到检测的模型处理时间为1.76分钟±0.32次扫描。

 表 内部测试集中脑动脉瘤检测的模型性能

本项研究表明，研究所建立的DL模型能够在CTA上准确地分割和检测脑动脉瘤，诊断性能与影像学报告无明显差异。

原文出处：

Jianyong Wei,Xinyu Song,Xiaoer Wei,et al.Knowledge-Augmented Deep Learning for Segmenting and Detecting Cerebral Aneurysms With CT Angiography: A Multicenter Study.DOI:10.1148/radiol.233197