Contrastloos CT-gebaseerd deep learning voor het voorspellen van het risico op hematoomuitbreiding bij patiënten met een spontane intracerebrale bloeding (NCCT-DL-HE)

Het is de bedoeling dat dit project in vier stappen wordt uitgevoerd:

1. Gegevensverzameling

1. Selectie van onderzoeksonderwerpen: Klinische en beeldgegevens van patiënten met een spontane intracerebrale bloeding werden retrospectief verzameld uit meerdere centra, waaronder 500 gevallen in de hematoom-expansiegroep en 1500 gevallen in de niet-expansiegroep, in totaal 2000 gevallen. Hematoomexpansie (rHE) werd gedefinieerd als een absolute toename van het ICH-volume van ≥6 ml of een relatieve toename van ≥33%.
2. Verzameling van klinische gegevens: Inclusief leeftijd van de patiënt, geslacht, voorgeschiedenis van coronaire hartziekten, roken, alcohol, hypertensie, systolische en diastolische bloeddruk bij opname, onder andere.
3. CT-beeldacquisitie: CT-beelden voor toelating en follow-up werden verkregen met behulp van spiraalvormige CT-scanning met een plakdikte en tussenruimte tussen de plakken van 5 mm.

2. Segmentatie van hematoom op basis van CT-beelden zonder contrast Twee radiologen segmenteerden onafhankelijk van elkaar het relevante volume van de gehele hematoomlaesie in de hersenen met behulp van ITK-SNAP-software, waarbij de laesie handmatig op elke CT-plak werd afgetekend, terwijl het omliggende oedeem en normaal hersenweefsel werd vermeden.

3. Oprichting van een automatisch hematoomsegmentatiemodel

1. Gegevensverzameling en voorverwerking: Alle afbeeldingen zijn verkregen via het PACS-systeem en opgeslagen in DICOM-formaat. Er werden gestandaardiseerde voorverwerkingsstappen toegepast, waaronder het opnieuw bemonsteren van afbeeldingen, vensterbreedte en vensterniveau-aanpassingen om rekening te houden met parameterverschillen tussen verschillende CT-scanners.
2. Selectie van een automatisch segmentatiemodel: Geschikte deep learning-architecturen voor segmentatie werden onderzocht en geselecteerd, inclusief encoder-decoder-structuren zoals nnU-Net, UNETR en nnFormer. Het optimale beeldsegmentatiemodel werd gekozen om nauwkeurige segmentatie van hersenhematoomgebieden te bereiken.
3. Modeltraining en -evaluatie: Het model werd getraind met behulp van begeleid leren, waarbij handmatig gesegmenteerde maskers uit de geannoteerde dataset dienden als ground-truth-labels. De prestaties van het model werden geëvalueerd op basis van validatie en onafhankelijke externe testsets met behulp van statistieken zoals Dice-coëfficiënt, Intersection over Union (IoU), precisie en terugroepen.

4. Oprichting van een automatisch classificatiemodel voor hematoomexpansie

1. Constructie van het automatische classificatiemodel: Gebaseerd op de segmentatiemaskers geëxtraheerd door het automatische segmentatiemodel, werd een deep learning-classificatiemodel ontwikkeld om de uitbreiding van het hematoom te voorspellen. Er zijn verschillende neurale netwerken met 2D- en 3D-classificatie ontwikkeld, waaronder 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 en 3D-ViT. Met behulp van de door automatische segmentatie gegenereerde 3D-maskers werden het grootste rechthoekige 2D-interessegebied en het kleinste 3D-grensgebied van het hersenhematoom uit de originele CT-beelden geknipt, en deze bijgesneden gebieden werden ingevoerd in de overeenkomstige deep learning-classificatiemodellen om nauwkeurige resultaten te verkrijgen. voorspelling van uitbreiding van het hematoom.
2. Visualisatie van het automatische classificatiemodel: Om het besluitvormingsproces van het deep learning-model visueel te verifiëren, werd Gradient-weighted Class Activation Mapping (Grad-CAM)-technologie gebruikt om 2D-aandachtskaarten te genereren, waarbij de belangrijkste hematoomgebieden visueel worden weergegeven die zijn geïdentificeerd door de model voor classificatie.
3. Modeltraining en -evaluatie: Tijdens de modelevaluatie werden de prestaties van het model getest met behulp van een onafhankelijke externe testset, met uitgebreide evaluatiestatistieken, waaronder nauwkeurigheid, gevoeligheid, specificiteit, F1-score, ROC-curve en AUC-waarde. Dit proces had tot doel de generaliseerbaarheid en robuustheid van het model te valideren over multicentergegevens, waardoor de betrouwbaarheid en effectiviteit ervan in daadwerkelijke klinische toepassingen werd gegarandeerd.