Głębokie uczenie się oparte na tomografii komputerowej bez kontrastu w celu przewidywania ryzyka powiększenia się krwiaka u pacjentów ze spontanicznym krwotokiem śródmózgowym (NCCT-DL-HE)

Realizacja projektu planowana jest w czterech etapach:

1. Gromadzenie danych

1. Wybór uczestników badania: Dane kliniczne i obrazowe pacjentów ze spontanicznym krwotokiem śródmózgowym zebrano retrospektywnie z wielu ośrodków, w tym od 500 przypadków w grupie z ekspansją krwiaka i 1500 przypadków w grupie bez ekspansji, co daje łącznie 2000 przypadków. Ekspansję krwiaka (rHE) zdefiniowano jako bezwzględny wzrost objętości ICH o ≥6 ml lub względny wzrost o ≥33%.
2. Gromadzenie danych klinicznych: Obejmuje między innymi wiek pacjenta, płeć, chorobę niedokrwienną serca w wywiadzie, palenie tytoniu, alkohol, nadciśnienie, skurczowe i rozkurczowe ciśnienie krwi przy przyjęciu.
3. Pozyskiwanie obrazu CT: Wstępne i kontrolne obrazy CT uzyskano przy użyciu spiralnej tomografii komputerowej o grubości warstwy i odstępie między warstwami wynoszącym 5 mm.

2. Segmentacja krwiaka na podstawie obrazów tomografii komputerowej bez kontrastu Dwóch radiologów niezależnie dokonało segmentacji badanej objętości całego krwiaka mózgu za pomocą oprogramowania ITK-SNAP, ręcznie obrysowując zmianę na każdym skrawku tomografii komputerowej, unikając otaczającego obrzęku i prawidłowej tkanki mózgowej.

3. Ustalenie modelu automatycznej segmentacji krwiaków

1. Pozyskiwanie i przetwarzanie danych: Wszystkie obrazy uzyskano za pomocą systemu PACS i zapisano w formacie DICOM. Zastosowano standaryzowane etapy wstępnego przetwarzania, w tym ponowne próbkowanie obrazu, regulację szerokości okna i poziomu okna, aby uwzględnić różnice parametrów w różnych skanerach CT.
2. Wybór modelu automatycznej segmentacji: Zbadano i wybrano odpowiednie architektury głębokiego uczenia się do segmentacji, w tym struktury koder-dekoder, takie jak nnU-Net, UNETR i nnFormer. Wybrano optymalny model segmentacji obrazu, aby uzyskać precyzyjną segmentację obszarów krwiaków mózgu.
3. Trening i ocena modelu: Model szkolono przy użyciu uczenia nadzorowanego, przy czym ręcznie posegmentowane maski ze zbioru danych z adnotacjami służyły jako podstawowe etykiety prawdy. Wydajność modelu oceniano podczas walidacji i niezależnych zestawów testów zewnętrznych przy użyciu takich wskaźników, jak współczynnik Dice'a, przecięcie przez sumę (IoU), precyzja i przypominanie.

4. Ustalenie modelu automatycznej klasyfikacji ekspansji krwiaka

1. Konstrukcja modelu automatycznej klasyfikacji: W oparciu o maski segmentacji wyodrębnione przez model automatycznej segmentacji opracowano model klasyfikacji głębokiego uczenia się w celu przewidywania ekspansji krwiaka. Opracowano różne sieci neuronowe klasyfikacyjne 2D i 3D, w tym 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 i 3D-ViT. Korzystając z masek 3D generowanych przez automatyczną segmentację, z oryginalnych obrazów CT wycięto największy prostokątny obszar zainteresowania 2D i najmniejszą ramkę ograniczającą 3D krwiaka mózgu, a te przycięte obszary wprowadzono do odpowiednich modeli klasyfikacji głębokiego uczenia się, aby uzyskać precyzyjne przewidywanie ekspansji krwiaka.
2. Wizualizacja modelu automatycznej klasyfikacji: Aby wizualnie zweryfikować proces decyzyjny w modelu głębokiego uczenia się, wykorzystano technologię Gradient-weighted Class Activation Mapping (Grad-CAM) do wygenerowania dwuwymiarowych map uwagi, wizualnie wyświetlających kluczowe obszary krwiaka zidentyfikowane przez model klasyfikacji.
3. Trening i ocena modelu: Podczas oceny modelu sprawdzono działanie modelu przy użyciu niezależnego zestawu testów zewnętrznych, obejmujących kompleksowe wskaźniki oceny, w tym dokładność, czułość, specyficzność, wynik F1, krzywą ROC i wartość AUC. Celem tego procesu było sprawdzenie możliwości uogólniania i odporności modelu na danych wieloośrodkowych, zapewniając jego niezawodność i skuteczność w rzeczywistych zastosowaniach klinicznych.