Глубокое обучение на основе КТ без контрастирования для прогнозирования риска расширения гематомы у пациентов со спонтанным внутримозговым кровоизлиянием (NCCT-DL-HE)

Данный проект планируется реализовать в четыре этапа:

1. Сбор данных

1. Выбор субъектов исследования. Клинические и визуализирующие данные пациентов со спонтанным внутримозговым кровоизлиянием были ретроспективно собраны из нескольких центров, включая 500 случаев в группе с расширением гематомы и 1500 случаев в группе без расширения, всего 2000 случаев. Расширение гематомы (рГЭ) определялось как абсолютное увеличение объема ВМК на ≥6 мл или относительное увеличение на ≥33%.
2. Сбор клинических данных: включает возраст пациента, пол, историю ишемической болезни сердца, курение, алкоголь, гипертонию, систолическое и диастолическое артериальное давление при поступлении и другие.
3. Получение КТ-изображений: КТ-изображения при поступлении и контрольные были получены с использованием спирального КТ-сканирования с толщиной среза и расстоянием между срезами 5 мм.

2. Сегментация гематомы на основе неконтрастных КТ-изображений Два рентгенолога независимо сегментировали интересующий объем всего гематомного поражения головного мозга с помощью программного обеспечения ITK-SNAP, вручную очерчивая поражение на каждом срезе КТ, избегая при этом окружающего отека и нормальной ткани головного мозга.

3. Создание модели автоматической сегментации гематомы.

1. Сбор и предварительная обработка данных: Все изображения были получены через систему PACS и сохранены в формате DICOM. Были применены стандартизированные этапы предварительной обработки, включая повторную выборку изображения, настройку ширины окна и уровня окна для учета различий в параметрах разных компьютерных томографов.
2. Выбор модели автоматической сегментации. Были изучены и выбраны подходящие архитектуры глубокого обучения для сегментации, включая структуры кодировщика-декодера, такие как nnU-Net, UNETR и nnFormer. Оптимальная модель сегментации изображения была выбрана для достижения точной сегментации областей гематомы головного мозга.
3. Обучение и оценка модели. Модель обучалась с использованием контролируемого обучения, при этом вручную сегментированные маски из аннотированного набора данных служили метками базовой истинности. Производительность модели оценивалась при проверке и независимых внешних наборах тестов с использованием таких показателей, как коэффициент Дайса, пересечение через объединение (IoU), точность и отзыв.

4. Создание модели автоматической классификации расширения гематомы.

1. Построение модели автоматической классификации: на основе масок сегментации, извлеченных с помощью модели автоматической сегментации, была разработана модель классификации с глубоким обучением для прогнозирования расширения гематомы. Были разработаны различные нейронные сети 2D и 3D классификации, в том числе 2D-ResNet-101, 2D-ViT, 3D-ResNet-101 и 3D-ViT. Используя 3D-маски, созданные посредством автоматической сегментации, самая большая интересующая 2D-прямоугольная область и наименьшая 3D-ограничивающая рамка гематомы головного мозга были вырезаны из исходных КТ-изображений, и эти обрезанные области были введены в соответствующие модели классификации глубокого обучения для достижения точных результатов. прогноз расширения гематомы.
2. Визуализация модели автоматической классификации: для визуальной проверки процесса принятия решений модели глубокого обучения была использована технология градиентно-взвешенного картирования активации классов (Grad-CAM) для создания 2D-карт внимания, визуально отображающих ключевые области гематомы, идентифицированные с помощью модель для классификации.
3. Обучение и оценка модели. Во время оценки модели производительность модели проверялась с использованием независимого внешнего набора тестов с комплексными показателями оценки, включая точность, чувствительность, специфичность, показатель F1, кривую ROC и значение AUC. Этот процесс был направлен на проверку обобщаемости и устойчивости модели на основе многоцентровых данных, гарантируя ее надежность и эффективность в реальных клинических приложениях.