Aprendizado profundo baseado em TC sem contraste para prever o risco de expansão do hematoma em pacientes com hemorragia intracerebral espontânea (NCCT-DL-HE)

Este projeto está planejado para ser implementado em quatro etapas:

1. Coleta de dados

1. Seleção dos sujeitos do estudo: Dados clínicos e de imagem de pacientes com hemorragia intracerebral espontânea foram coletados retrospectivamente de vários centros, incluindo 500 casos no grupo de expansão do hematoma e 1.500 casos no grupo sem expansão, totalizando 2.000 casos. A expansão do hematoma (rHE) foi definida como um aumento absoluto no volume de HIC de ≥6 mL ou um aumento relativo de ≥33%.
2. Coleta de Dados Clínicos: Inclui idade do paciente, sexo, histórico de doença coronariana, tabagismo, consumo de álcool, hipertensão, pressão arterial sistólica e diastólica na admissão, entre outros.
3. Aquisição de imagens de TC: As imagens de TC de admissão e acompanhamento foram obtidas por meio de tomografia computadorizada espiral com espessura de corte e espaçamento entre cortes de 5 mm.

2. Segmentação do hematoma com base em imagens de tomografia computadorizada sem contraste Dois radiologistas segmentaram independentemente o volume de interesse de toda a lesão do hematoma cerebral usando o software ITK-SNAP, delineando manualmente a lesão em cada corte de tomografia computadorizada, evitando o edema circundante e o tecido cerebral normal.

3. Estabelecimento do modelo automático de segmentação de hematoma

1. Aquisição e pré-processamento de dados: Todas as imagens foram obtidas através do sistema PACS e armazenadas em formato DICOM. Foram aplicadas etapas padronizadas de pré-processamento, incluindo reamostragem de imagens, largura da janela e ajustes no nível da janela para acomodar diferenças de parâmetros entre diferentes tomógrafos.
2. Seleção do modelo de segmentação automática: Arquiteturas de aprendizagem profunda adequadas para segmentação foram exploradas e selecionadas, incluindo estruturas codificador-decodificador como nnU-Net, UNETR e nnFormer. O modelo ideal de segmentação de imagem foi escolhido para obter segmentação precisa das regiões de hematoma cerebral.
3. Treinamento e avaliação do modelo: O modelo foi treinado usando aprendizado supervisionado, com máscaras segmentadas manualmente do conjunto de dados anotados servindo como rótulos de verdade. O desempenho do modelo foi avaliado na validação e em conjuntos de testes externos independentes usando métricas como coeficiente de dados, intersecção sobre união (IoU), precisão e recall.

4. Estabelecimento de modelo de classificação automática para expansão de hematoma

1. Construção do Modelo de Classificação Automática: Com base nas máscaras de segmentação extraídas pelo modelo de segmentação automática, foi desenvolvido um modelo de classificação de aprendizagem profunda para prever a expansão do hematoma. Várias redes neurais de classificação 2D e 3D, incluindo 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 e 3D-ViT, foram desenvolvidas. Usando as máscaras 3D geradas por segmentação automática, a maior região retangular 2D de interesse e a menor caixa delimitadora 3D do hematoma cerebral foram cortadas das imagens originais de TC, e essas regiões cortadas foram inseridas nos modelos de classificação de aprendizagem profunda correspondentes para obter dados precisos. previsão de expansão do hematoma.
2. Visualização do modelo de classificação automática: Para verificar visualmente o processo de tomada de decisão do modelo de aprendizagem profunda, foi utilizada a tecnologia Gradient-weighted Class Activation Mapping (Grad-CAM) para gerar mapas de atenção 2D, exibindo visualmente as principais regiões de hematoma identificadas pelo modelo para classificação.
3. Treinamento e avaliação do modelo: Durante a avaliação do modelo, o desempenho do modelo foi testado usando um conjunto de testes externo independente, com métricas de avaliação abrangentes, incluindo precisão, sensibilidade, especificidade, pontuação F1, curva ROC e valor AUC. Este processo teve como objetivo validar a generalização e robustez do modelo em dados multicêntricos, garantindo sua confiabilidade e eficácia em aplicações clínicas reais.