E-024 Deep learning-based cerebral aneurysm segmentation and morphological analysis on the three-dimensional rotational angiography
Notice bibliographique
Résumé
Background Morphological assessment of cerebral aneurysms based on cerebral angiography is an essential step when planning strategy and device selection in the endovascular treatment of cerebral aneurysms, but manual evaluation by human raters has only moderate inter-/intra-rater reliability. Purpose To develop and evaluate the performance of an automatic morphological analysis tool for cerebral aneurysms, which is based on a combination of deep learning and rule-based image processing algorithms. Materials and Methods Cerebral angiography data from 889 consecutive patients with suspected cerebral aneurysms were retrospectively collected at our institution from January 2017 to October 2021. The automatic morphological analysis model was trained and developed on the derivation cohort dataset consisting of 388 scans with 437 aneurysms, and the performance of the model was tested on the validation cohort dataset consisting of 96 scans with 124 aneurysms. Five clinically important parameters were automatically calculated by the model; aneurysm volume, maximum aneurysm size, neck size, aneurysm height, and aspect ratio. Results On the validation cohort dataset, the average aneurysm size was 7.9±4.6 mm. The proposed model displayed high detection and segmentation accuracy with lesion-level sensitivity of 98.4%, false positives per scan of 0.21, and mean Dice similarity index of 0.87 (median 0.93). All the morphological parameters were significantly correlated with the reference standard (all p<0.0001; Pearson correlation analysis). Among the aneurysms, the model could discriminate aneurysms smaller than 7 mm with sensitivity 90.7%, specificity 100.0%, and area under curve of 0.95, and wide-neck aneurysms (neck size larger than 4 mm) with sensitivity 85.7%, specificity 88.5%, and area under curve of 0.87. Conclusions The automatic aneurysm analysis model based on angiography data had high accuracy on evaluating the morphological characteristics of cerebral aneurysms, which might help planning strategy and selecting devices for endovascular treatment of cerebral aneurysms. Disclosures H. Nishi: None. A. Lustici: None. N. Cancelliere: None. T. Marotta: None. J. Spears: None. V. Pereira: None.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».