Nicht kontrastierendes CT-basiertes Deep Learning zur Vorhersage des Risikos einer Hämatomexpansion bei Patienten mit spontaner intrazerebraler Blutung (NCCT-DL-HE)

Die Umsetzung dieses Projekts ist in vier Schritten geplant:

1. Datenerfassung

1. Auswahl der Studienteilnehmer: Klinische und bildgebende Daten von Patienten mit spontaner intrazerebraler Blutung wurden retrospektiv an mehreren Zentren gesammelt, darunter 500 Fälle in der Hämatom-Expansionsgruppe und 1500 Fälle in der Nicht-Expansionsgruppe, also insgesamt 2000 Fälle. Die Hämatomexpansion (rHE) wurde als absolute Zunahme des ICH-Volumens von ≥6 ml oder als relative Zunahme von ≥33 % definiert.
2. Erhebung klinischer Daten: Dazu gehören unter anderem Alter, Geschlecht, Vorgeschichte einer koronaren Herzkrankheit, Rauchen, Alkohol, Bluthochdruck, systolischer und diastolischer Blutdruck bei Aufnahme.
3. CT-Bildaufnahme: Aufnahme- und Nachuntersuchungs-CT-Bilder wurden mittels Spiral-CT-Scanning mit einer Schichtdicke und einem Zwischenschichtabstand von 5 mm erstellt.

2. Segmentierung von Hämatomen basierend auf kontrastfreien CT-Bildern Zwei Radiologen segmentierten unabhängig voneinander das interessierende Volumen der gesamten Gehirnhämatomläsion mithilfe der ITK-SNAP-Software, wobei sie die Läsion auf jedem CT-Schnitt manuell umrissen und dabei das umgebende Ödem und normales Hirngewebe vermied.

3. Etablierung eines automatischen Hämatomsegmentierungsmodells

1. Datenerfassung und Vorverarbeitung: Alle Bilder wurden über das PACS-System erfasst und im DICOM-Format gespeichert. Es wurden standardisierte Vorverarbeitungsschritte angewendet, einschließlich Bild-Resampling, Fensterbreite und Fensterebenenanpassungen, um Parameterunterschieden zwischen verschiedenen CT-Scannern Rechnung zu tragen.
2. Auswahl des automatischen Segmentierungsmodells: Geeignete Deep-Learning-Architekturen für die Segmentierung wurden untersucht und ausgewählt, einschließlich Encoder-Decoder-Strukturen wie nnU-Net, UNETR und nnFormer. Das optimale Bildsegmentierungsmodell wurde ausgewählt, um eine präzise Segmentierung der Hirnhämatomregionen zu erreichen.
3. Modellschulung und -bewertung: Das Modell wurde mithilfe von überwachtem Lernen trainiert, wobei manuell segmentierte Masken aus dem annotierten Datensatz als Grundwahrheitsbezeichnungen dienten. Die Modellleistung wurde anhand von Validierungs- und unabhängigen externen Testsätzen anhand von Metriken wie Würfelkoeffizient, Schnittmenge über Union (IoU), Präzision und Rückruf bewertet.

4. Etablierung eines automatischen Klassifizierungsmodells für die Hämatomexpansion

1. Konstruktion des automatischen Klassifizierungsmodells: Basierend auf den vom automatischen Segmentierungsmodell extrahierten Segmentierungsmasken wurde ein Deep-Learning-Klassifizierungsmodell entwickelt, um die Hämatomausdehnung vorherzusagen. Es wurden verschiedene neuronale Netze zur 2D- und 3D-Klassifizierung entwickelt, darunter 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 und 3D-ViT. Unter Verwendung der durch automatische Segmentierung generierten 3D-Masken wurden der größte rechteckige 2D-Bereich von Interesse und der kleinste 3D-Begrenzungsrahmen des Gehirnhämatoms aus den ursprünglichen CT-Bildern ausgeschnitten und diese zugeschnittenen Bereiche in die entsprechenden Deep-Learning-Klassifizierungsmodelle eingegeben, um eine präzise Darstellung zu erreichen Vorhersage der Hämatomausdehnung.
2. Visualisierung des automatischen Klassifizierungsmodells: Um den Entscheidungsprozess des Deep-Learning-Modells visuell zu überprüfen, wurde die Grad-CAM-Technologie (Gradient-Weighted Class Activation Mapping) verwendet, um 2D-Aufmerksamkeitskarten zu erstellen, die die durch das identifizierten Schlüsselhämatomregionen visuell anzeigen Modell zur Klassifizierung.
3. Modellschulung und -bewertung: Während der Modellbewertung wurde die Leistung des Modells mithilfe eines unabhängigen externen Testsatzes mit umfassenden Bewertungsmetriken getestet, darunter Genauigkeit, Sensitivität, Spezifität, F1-Score, ROC-Kurve und AUC-Wert. Ziel dieses Prozesses war es, die Generalisierbarkeit und Robustheit des Modells über multizentrische Daten hinweg zu validieren und so seine Zuverlässigkeit und Wirksamkeit in tatsächlichen klinischen Anwendungen sicherzustellen.