Nem kontrasztos CT-alapú mély tanulás a hematoma expanzió kockázatának előrejelzésére spontán intracerebrális vérzésben szenvedő betegeknél (NCCT-DL-HE)

Ezt a projektet négy lépésben tervezik megvalósítani:

1. Adatgyűjtés

1. A vizsgálati alanyok kiválasztása: A spontán intracerebrális vérzéses betegek klinikai és képalkotó adatait retrospektív módon több centrumból gyűjtöttük, amelyek közül 500 eset a haematoma expanziós csoportban és 1500 eset a nem expanziós csoportban, összesen 2000 eset. A hematoma expanziót (rHE) úgy határozták meg, mint az ICH térfogatának ≥6 ml-es abszolút növekedését vagy ≥33%-os relatív növekedését.
2. Klinikai adatok gyűjtése: Tartalmazza többek között a páciens korát, nemét, szívkoszorúér-betegség kórtörténetét, dohányzást, alkoholt, magas vérnyomást, felvételi szisztolés és diasztolés vérnyomást.
3. CT-képfelvétel: A felvételi és nyomon követési CT-képeket spirális CT-vizsgálattal állítottuk elő 5 mm-es szeletvastagsággal és szeletek közötti távolsággal.

2. Hematóma szegmentálása nem kontrasztos CT-képek alapján Két radiológus egymástól függetlenül szegmentálta a teljes agyi hematómalézió vizsgálandó térfogatát ITK-SNAP szoftver segítségével, manuálisan körvonalazva az elváltozást minden CT-szeleten, miközben elkerülte a környező ödémát és a normál agyszövetet.

3. Automatikus hematoma szegmentációs modell felállítása

1. Adatgyűjtés és előfeldolgozás: Az összes képet a PACS rendszeren keresztül szereztük be, és DICOM formátumban tároltuk. Szabványos előfeldolgozási lépéseket alkalmaztak, ideértve a kép újramintavételezését, az ablakszélességet és az ablakszint-beállításokat a különböző CT-szkennerek közötti paraméterkülönbségek figyelembevétele érdekében.
2. Az automatikus szegmentálási modell kiválasztása: A szegmentáláshoz megfelelő mély tanulási architektúrákat vizsgáltunk és választottunk ki, beleértve az olyan kódoló-dekódoló struktúrákat, mint az nnU-Net, UNETR és nnFormer. Az optimális képszegmentációs modellt választottuk az agy hematoma régióinak pontos szegmentálásához.
3. Modellképzés és -értékelés: A modellt felügyelt tanulással képezték ki, az annotált adatkészletből kézzel szegmentált maszkokkal, amelyek alapvető igazságcímkéként szolgáltak. A modell teljesítményét validáláson és független külső tesztkészleteken értékelték olyan mérőszámok segítségével, mint a kocka együttható, a metszéspont az egyesülésen (IoU), a pontosság és a visszahívás.

4. A hematoma expanziójának automatikus osztályozási modelljének felállítása

1. Az automatikus osztályozási modell felépítése: Az automatikus szegmentációs modellel kinyert szegmentációs maszkok alapján egy mély tanulási osztályozási modellt fejlesztettek ki a hematoma expanziójának előrejelzésére. Különféle 2D és 3D osztályozási neurális hálózatokat fejlesztettek ki, köztük a 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 és 3D-ViT. Az automatikus szegmentációval generált 3D maszkok segítségével az agyhematóma legnagyobb 2D téglalap alakú régióját és a legkisebb 3D határoló dobozt levágtuk az eredeti CT-képekből, és ezeket a levágott régiókat bevittük a megfelelő mélytanulási osztályozási modellekbe a pontosság elérése érdekében. a hematoma expanziójának előrejelzése.
2. Az automatikus osztályozási modell vizualizálása: A mély tanulási modell döntéshozatali folyamatának vizuális ellenőrzésére a Gradient-weighted Class Activation Mapping (Grad-CAM) technológiát használták 2D figyelemtérképek létrehozására, amelyek vizuálisan jelenítik meg a vizsgálat által azonosított kulcsfontosságú hematóma régiókat. osztályozási modell.
3. Modellképzés és -értékelés: A modellértékelés során a modell teljesítményét független külső tesztkészlettel tesztelték, átfogó értékelési mérőszámokkal, beleértve a pontosságot, érzékenységet, specifitást, F1 pontszámot, ROC-görbét és AUC-értéket. Ennek az eljárásnak a célja a modell általánosíthatóságának és robusztusságának validálása volt a többközpontú adatok között, biztosítva annak megbízhatóságát és hatékonyságát a tényleges klinikai alkalmazásokban.