自然脳内出血患者における血腫拡大リスクを予測するための非造影 CT ベースの深層学習 (NCCT-DL-HE)

このプロジェクトは次の 4 つのステップで実施される予定です。

1. データ収集

1. 研究対象の選択：自然発生脳内出血患者の臨床データおよび画像データは、血腫拡大群の500例と非拡大群の1500例、合計2000例を含む複数の施設から遡及的に収集された。 血腫拡大（rHE）は、ICH 容積の絶対増加が 6 mL 以上、または相対増加が 33% 以上であると定義されました。
2. 臨床データの収集: 患者の年齢、性別、冠状動脈性心疾患の病歴、喫煙、アルコール、高血圧、入院時の収縮期血圧および拡張期血圧などが含まれます。
3. CT 画像取得: スライス厚およびスライス間間隔が 5 mm のスパイラル CT スキャンを使用して、入院およびフォローアップ CT 画像を取得しました。

2. 非造影 CT 画像に基づく血腫のセグメンテーション 2 人の放射線科医が、ITK-SNAP ソフトウェアを使用して脳血腫病変全体の対象ボリュームを個別にセグメント化し、周囲の浮腫や正常な脳組織を避けながら、手動で各 CT スライス上に病変の輪郭を描きました。

3. 自動血腫セグメンテーションモデルの確立

1. データの取得と前処理: すべての画像は PACS システムを通じて取得され、DICOM 形式で保存されました。 異なる CT スキャナ間のパラメータの違いに対応するため、画像のリサンプリング、ウィンドウ幅、ウィンドウ レベルの調整など、標準化された前処理ステップが適用されました。
2. 自動セグメンテーション モデルの選択: nnU-Net、UNETR、nnFormer などのエンコーダ デコーダ構造を含む、セグメンテーションに適した深層学習アーキテクチャが調査および選択されました。 脳血腫領域の正確なセグメンテーションを実現するために、最適な画像セグメンテーション モデルが選択されました。
3. モデルのトレーニングと評価: モデルは教師あり学習を使用してトレーニングされ、アノテーション付きデータセットから手動でセグメント化されたマスクがグラウンド トゥルース ラベルとして機能しました。 モデルのパフォーマンスは、ダイス係数、和集合に対する交差 (IoU)、精度、再現率などのメトリクスを使用して、検証および独立した外部テスト セットで評価されました。

4. 血腫拡大の自動分類モデルの確立

1. 自動分類モデルの構築: 自動セグメンテーション モデルによって抽出されたセグメンテーション マスクに基づいて、血腫の拡大を予測するための深層学習分類モデルが開発されました。 2D-ResNet-101、2D-ViT、3D-ResNet-101、3D-ViT など、さまざまな 2D および 3D 分類ニューラル ネットワークが開発されました。 自動セグメンテーションによって生成された 3D マスクを使用して、脳血腫の最大の 2D 長方形関心領域と最小の 3D 境界ボックスが元の CT 画像から切り取られ、これらの切り取られた領域が対応する深層学習分類モデルに入力されて、正確な分類が実現されました。血腫の拡大の予測。
2. 自動分類モデルの視覚化: 深層学習モデルの意思決定プロセスを視覚的に検証するために、勾配加重クラス活性化マッピング (Grad-CAM) テクノロジーを使用して 2D アテンション マップを生成し、自動分類モデルによって特定された主要な血腫領域を視覚的に表示しました。分類用のモデル。
3. モデルのトレーニングと評価: モデルの評価中、精度、感度、特異性、F1 スコア、ROC 曲線、AUC 値を含む包括的な評価指標を使用して、独立した外部テスト セットを使用してモデルのパフォーマンスがテストされました。 このプロセスは、多施設データ全体にわたるモデルの一般化性と堅牢性を検証し、実際の臨床応用における信頼性と有効性を保証することを目的としていました。