Ei-kontrastinen CT-pohjainen syväoppiminen hematooman laajenemisriskin ennustamiseksi potilailla, joilla on spontaani aivojen sisäinen verenvuoto (NCCT-DL-HE)

Tämä hanke on suunniteltu toteutettavaksi neljässä vaiheessa:

1. Tiedonkeruu

1. Tutkimuskohteiden valinta: Kliiniset ja kuvantamistiedot potilaista, joilla oli spontaani aivoverenvuoto, kerättiin takautuvasti useista keskuksista, mukaan lukien 500 tapausta hematooman laajenemisryhmässä ja 1 500 tapausta ei-laajenevassa ryhmässä, yhteensä 2 000 tapausta. Hematooman laajeneminen (rHE) määriteltiin absoluuttiseksi lisäykseksi ICH-tilavuudessa ≥6 ml tai suhteelliseksi kasvuksi ≥33 %.
2. Kliinisten tietojen kokoelma: Sisältää muun muassa potilaan iän, sukupuolen, sepelvaltimotaudin, tupakoinnin, alkoholin, verenpainetaudin, sisäänpääsyn systolisen ja diastolisen verenpaineen.
3. CT-kuvan hankinta: Sisäänpääsy- ja seuranta-CT-kuvat saatiin käyttämällä spiraali-CT-skannausta viipaleenpaksuudella ja 5 mm:n välillä.

2. Hematooman segmentointi ei-kontrastisten TT-kuvien perusteella Kaksi radiologia segmentoi itsenäisesti koko aivohematoomaleesion kiinnostavan tilavuuden ITK-SNAP-ohjelmiston avulla ja hahmotteli leesion manuaalisesti jokaisessa TT-leikkauksessa välttäen samalla ympäröivää turvotusta ja normaalia aivokudosta.

3. Automaattisen hematooman segmentointimallin luominen

1. Tiedonkeruu ja esikäsittely: Kaikki kuvat hankittiin PACS-järjestelmän kautta ja tallennettiin DICOM-muodossa. Käytettiin standardoituja esikäsittelyvaiheita, mukaan lukien kuvan uudelleennäytteenotto, ikkunan leveys ja ikkunatason säädöt eri CT-skannereiden parametrien erojen huomioon ottamiseksi.
2. Automaattisen segmentointimallin valinta: Segmentointiin sopivia syväoppimisarkkitehtuureja tutkittiin ja valittiin, mukaan lukien enkooderi-dekooderirakenteet, kuten nnU-Net, UNETR ja nnFormer. Optimaalinen kuvan segmentointimalli valittiin aivojen hematooma-alueiden tarkan segmentoinnin saavuttamiseksi.
3. Mallin koulutus ja arviointi: Malli opetettiin käyttämällä ohjattua oppimista, ja manuaalisesti segmentoidut maskit kommentoidusta tietojoukosta toimivat perustotuusmerkintöinä. Mallin suorituskykyä arvioitiin validoinnilla ja riippumattomilla ulkoisilla testisarjoilla käyttämällä mittareita, kuten noppakerroin, leikkaus yli unionin (IoU), tarkkuus ja palautus.

4. Automaattisen luokitusmallin luominen hematooman laajenemista varten

1. Automaattisen luokitusmallin rakentaminen: Automaattisen segmentointimallin avulla saatujen segmentointimaskien perusteella kehitettiin syväoppiva luokittelumalli hematooman laajenemisen ennustamiseksi. Kehitettiin erilaisia ​​2D- ja 3D-luokitteluhermoverkkoja, mukaan lukien 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 ja 3D-ViT. Automaattisen segmentoinnilla luotuja 3D-maskeja käyttämällä aivojen hematooman suurin 2D suorakaiteen muotoinen alue ja pienin 3D-rajauslaatikko leikattiin alkuperäisistä TT-kuvista, ja nämä rajatut alueet syötettiin vastaaviin syväoppimisen luokittelumalleihin tarkan tarkan saavuttamiseksi. hematooman laajenemisen ennustaminen.
2. Automaattisen luokitusmallin visualisointi: Syväoppimismallin päätöksentekoprosessin visuaaliseksi todentamiseksi Gradient-weighted Class Activation Mapping (Grad-CAM) -tekniikkaa käytettiin luomaan 2D-tietoisuuskartat, jotka näyttävät visuaalisesti tärkeimmät hematoomaalueet, jotka luokittelumalli.
3. Mallin koulutus ja arviointi: Mallin arvioinnin aikana mallin suorituskykyä testattiin käyttämällä riippumatonta ulkoista testisarjaa, jossa oli kattavat arviointimitat, mukaan lukien tarkkuus, herkkyys, spesifisyys, F1-pisteet, ROC-käyrä ja AUC-arvo. Tällä prosessilla pyrittiin validoimaan mallin yleistettävyys ja kestävyys monikeskustiedoissa ja varmistamaan sen luotettavuus ja tehokkuus todellisissa kliinisissä sovelluksissa.