基于 Swin Transformer 的全自动流水线用于动脉瘤性蛛网膜下腔出血后头部 CT 扫描的深度学习血液分割
计算机视觉与模式识别
2024-01-01 v1 机器学习
摘要
背景：对自发性蛛网膜下腔出血（SAH）进行准确的体积评估是一项劳动密集型任务，目前通过手动和半自动方法执行，这对其临床和预后意义可能至关重要。在本研究中，我们旨在开发并验证一种人工智能驱动的全自动血液分割工具，用于 SAH 患者，采用基于 Transformer 的 Swin UNETR 架构处理非增强计算机断层扫描（NCCT）图像。方法：我们回顾性分析了确诊动脉瘤性蛛网膜下腔出血（aSAH）患者的 NCCT 扫描，利用 Swin UNETR 进行分割。使用 Dice 系数、交并比（IoU）、体积相似性指数（VSI）、对称平均表面距离（SASD）以及灵敏度和特异度等指标，针对手动分割的基准真值数据评估了所提出方法的性能。还包括来自外部机构的验证队列以测试模型的泛化能力。结果：该模型在内部和外部验证队列中均表现出高精度和鲁棒的性能指标。值得注意的是，它实现了高 Dice 系数（0.873）、IoU（0.810）、VSI（0.840）、灵敏度（0.821）和特异度（0.996），以及低 SASD（1.866），表明其在分割 SAH 患者血液方面的熟练程度。模型的处理速度反映了其效率，表明具有实时应用的潜力。结论：我们基于 Swin UNETR 的模型在 NCCT 图像上 aSAH 后的自动血液分割方面提供了显著进展。尽管计算强度较大，但该模型在标准硬件上有效运行且具有用户友好的界面，促进了更广泛的临床采用。有必要在不同数据集上进行进一步验证以确认其临床可靠性。
引用
@article{arxiv.2312.17553,
title = {A Fully Automated Pipeline Using Swin Transformers for Deep Learning-Based Blood Segmentation on Head CT Scans After Aneurysmal Subarachnoid Hemorrhage},
author = {Sergio Garcia Garcia and Santiago Cepeda and Ignacio Arrese and Rosario Sarabia},
journal= {arXiv preprint arXiv:2312.17553},
year = {2024}
}