Nekontrastní hloubkové učení založené na CT pro predikci rizika expanze hematomu u pacientů se spontánním intracerebrálním krvácením (NCCT-DL-HE)

Tento projekt se plánuje realizovat ve čtyřech krocích:

1. Sběr dat

1. Výběr subjektů studie: Klinická a zobrazovací data pacientů se spontánním intracerebrálním krvácením byla retrospektivně shromážděna z mnoha center, včetně 500 případů ve skupině s expanzí hematomu a 1500 případů ve skupině bez expanze, celkem 2000 případů. Expanze hematomu (rHE) byla definována jako absolutní zvýšení objemu ICH o ≥ 6 ml nebo relativní zvýšení o ≥ 33 %.
2. Sběr klinických dat: Zahrnuje mimo jiné věk pacienta, pohlaví, anamnézu ischemické choroby srdeční, kouření, alkohol, hypertenzi, vstupní systolický a diastolický krevní tlak.
3. Získávání CT snímků: Vstupní a následné CT snímky byly získány pomocí spirálního CT skenování s tloušťkou řezu a rozestupem mezi řezy 5 mm.

2. Segmentace hematomu na základě nekontrastních CT snímků Dva radiologové nezávisle segmentovali zájmový objem celé léze mozkového hematomu pomocí softwaru ITK-SNAP, ručně načrtli léze na každém řezu CT, přičemž se vyhnuli okolnímu edému a normální mozkové tkáni.

3. Zavedení modelu automatické segmentace hematomu

1. Získávání dat a předběžné zpracování: Všechny snímky byly získány prostřednictvím systému PACS a uloženy ve formátu DICOM. Byly použity standardizované kroky předběžného zpracování, včetně převzorkování obrazu, nastavení šířky okna a úrovně okna, aby se přizpůsobily rozdílům parametrů mezi různými CT skenery.
2. Výběr modelu automatické segmentace: Byly prozkoumány a vybrány vhodné architektury hlubokého učení pro segmentaci, včetně struktur kodér-dekodér, jako jsou nnU-Net, UNETR a nnFormer. Pro dosažení přesné segmentace oblastí mozkového hematomu byl zvolen optimální model segmentace obrazu.
3. Trénink a vyhodnocení modelu: Model byl trénován pomocí řízeného učení, přičemž ručně segmentované masky z anotované datové sady sloužily jako základní popisky pravdy. Výkon modelu byl hodnocen na validaci a nezávislých externích testovacích sadách s použitím metrik, jako je Dice koeficient, Intersection over Union (IoU), přesnost a vyvolání.

4. Zavedení modelu automatické klasifikace pro expanzi hematomu

1. Konstrukce modelu automatické klasifikace: Na základě segmentačních masek extrahovaných modelem automatické segmentace byl vyvinut klasifikační model hlubokého učení pro predikci expanze hematomu. Byly vyvinuty různé 2D a 3D klasifikační neuronové sítě, včetně 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 a 3D-ViT. Pomocí 3D masek generovaných automatickou segmentací byly z původních CT snímků oříznuty největší 2D obdélníková oblast zájmu a nejmenší 3D ohraničující rámeček mozkového hematomu a tyto oříznuté oblasti byly vloženy do odpovídajících modelů klasifikace hlubokého učení, aby se dosáhlo přesných predikce expanze hematomu.
2. Vizualizace modelu automatické klasifikace: Pro vizuální ověření rozhodovacího procesu modelu hlubokého učení byla použita technologie Gradient-weighted Class Activation Mapping (Grad-CAM) ke generování 2D map pozornosti, které vizuálně zobrazují klíčové oblasti hematomů identifikované model pro klasifikaci.
3. Trénink a hodnocení modelu: Během hodnocení modelu byla výkonnost modelu testována pomocí nezávislé sady externích testů s komplexními hodnotícími metrikami včetně přesnosti, citlivosti, specificity, skóre F1, křivky ROC a hodnoty AUC. Tento proces měl za cíl ověřit zobecnění a robustnost modelu napříč multicentrickými daty a zajistit jeho spolehlivost a efektivitu ve skutečných klinických aplikacích.