Ikke-kontrast CT-baseret dyb læring til forudsigelse af hæmatomudvidelsesrisiko hos patienter med spontan intracerebral blødning (NCCT-DL-HE)

Dette projekt er planlagt til at blive implementeret i fire trin:

1. Dataindsamling

1. Udvælgelse af forsøgspersoner: Kliniske og billeddiagnostiske data fra patienter med spontan intracerebral blødning blev retrospektivt indsamlet fra flere centre, inklusive 500 tilfælde i hæmatomekspansionsgruppen og 1500 tilfælde i ikke-ekspansionsgruppen, i alt 2000 tilfælde. Hæmatomudvidelse (rHE) blev defineret som en absolut stigning i ICH-volumen på ≥6 ml eller en relativ stigning på ≥33%.
2. Indsamling af kliniske data: Inkluderer patientens alder, køn, anamnese med koronar hjertesygdom, rygning, alkohol, hypertension, systolisk og diastolisk indlæggelsestryk, blandt andre.
3. CT-billedopsamling: Indlæggelses- og opfølgnings-CT-billeder blev opnået ved hjælp af spiral-CT-scanning med en skivetykkelse og mellemrum på 5 mm.

2. Segmentering af hæmatom baseret på ikke-kontrast CT-billeder To radiologer segmenterede uafhængigt mængden af ​​interesse for hele hjernehæmatomlæsionen ved hjælp af ITK-SNAP-software, idet de manuelt skitserede læsionen på hver CT-skive, mens de omgivende ødem og normalt hjernevæv undgik.

3. Etablering af automatisk hæmatomsegmenteringsmodel

1. Dataopsamling og forbehandling: Alle billeder blev opnået gennem PACS-systemet og gemt i DICOM-format. Standardiserede forbehandlingstrin blev anvendt, herunder billedresampling, vinduesbredde og vinduesniveaujusteringer for at imødekomme parameterforskelle på tværs af forskellige CT-scannere.
2. Valg af automatisk segmenteringsmodel: Egnede deep learning-arkitekturer til segmentering blev undersøgt og udvalgt, herunder encoder-dekoder-strukturer såsom nnU-Net, UNETR og nnFormer. Den optimale billedsegmenteringsmodel blev valgt for at opnå præcis segmentering af hjernehæmatomregioner.
3. Modeltræning og -evaluering: Modellen blev trænet ved hjælp af overvåget læring, med manuelt segmenterede masker fra det kommenterede datasæt, der fungerede som jordsandhedsetiketter. Modelydeevnen blev evalueret på validering og uafhængige eksterne testsæt ved hjælp af metrikker såsom Terningkoefficient, Intersection over Union (IoU), præcision og tilbagekaldelse.

4. Etablering af automatisk klassifikationsmodel for hæmatomudvidelse

1. Konstruktion af den automatiske klassifikationsmodel: Baseret på segmenteringsmaskerne udtrukket af den automatiske segmenteringsmodel, blev der udviklet en deep learning klassifikationsmodel til at forudsige hæmatomudvidelse. Forskellige 2D- og 3D-klassificeringsneurale netværk, herunder 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 og 3D-ViT, blev udviklet. Ved at bruge 3D-maskerne genereret ved automatisk segmentering blev det største 2D rektangulære område af interesse og den mindste 3D-afgrænsningsboks i hjernehæmatomet beskåret fra de originale CT-billeder, og disse beskårne områder blev indlæst i de tilsvarende deep learning-klassifikationsmodeller for at opnå præcise forudsigelse af hæmatomudvidelse.
2. Visualisering af den automatiske klassifikationsmodel: For visuelt at verificere beslutningsprocessen for den dybe læringsmodel, blev Gradient-weighted Class Activation Mapping (Grad-CAM) teknologi brugt til at generere 2D opmærksomhedskort, der visuelt viser de vigtigste hæmatomregioner identificeret af model for klassificering.
3. Modeltræning og evaluering: Under modelevaluering blev modellens ydeevne testet ved hjælp af et uafhængigt eksternt testsæt med omfattende evalueringsmetrikker, herunder nøjagtighed, sensitivitet, specificitet, F1-score, ROC-kurve og AUC-værdi. Denne proces havde til formål at validere modellens generaliserbarhed og robusthed på tværs af multicenterdata og sikre dens pålidelighed og effektivitet i faktiske kliniske applikationer.