用于三维 TOF-MRI 中未破裂颅内动脉瘤检测与体积分割的多中心 AI 模型
摘要
目的：开发一个基于 nnU-Net 的开源 AI 模型，用于在三维 TOF-MRI 中联合检测与分割未破裂颅内动脉瘤（UICA），并比较在包含类似动脉瘤的鉴别诊断数据集上训练的模型。方法：本回顾性研究（2020-2023年）纳入了来自多个中心 364 名患者（平均年龄 59 岁，60% 为女性）的 385 幅匿名三维 TOF-MRI 图像，以及来自 ADAM 挑战赛的 113 名受试者。图像具有未经治疗或可能的 UICA 以及鉴别诊断特征。创建了四个不同的训练数据集，并使用 nnU-Net 框架进行模型开发。在独立的测试集上评估性能，检测指标使用敏感度和每例假阳性（FP）率，分割指标使用 DICE 分数和阈值为 0.5mm 的 NSD（归一化表面距离）。统计分析包括卡方检验、Mann-Whitney U 检验和 Kruskal-Wallis 检验，显著性设定为 p < 0.05。结果：各模型的总体敏感度在 82% 至 85% 之间，每例 FP 率为 0.20 至 0.31，无显著差异（p = 0.90 和 p = 0.16）。主模型表现出 85% 的敏感度和 0.23 的每例 FP 率，在敏感度上优于 ADAM 挑战赛获胜者（61%）和在 ADAM 数据上训练的 nnU-Net（51%）（p < 0.05）。对于正确检测到的 UICA，其平均 DICE 分数为 0.73，NSD 为 0.84。结论：我们基于 nnU-Net 的开源 AI 模型（可在 10.5281/zenodo.13386859 获取）在三维 TOF-MRI 的 UICA 检测与分割中展现出高敏感度、低假阳性率和一致的分割精度，表明其具有改善临床诊断和监测 UICA 的潜力。
引用
@article{arxiv.2408.17115,
title = {Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI},
author = {Ashraya K. Indrakanti and Jakob Wasserthal and Martin Segeroth and Shan Yang and Victor Schulze-Zachau and Joshy Cyriac and Michael Bach and Marios Psychogios and Matthias A. Mutke},
journal= {arXiv preprint arXiv:2408.17115},
year = {2024}
}
备注
14 pages, 5 figures, 3 tables, 2 supplementary tables