استخراج الميزات الإشعاعية تلقائيًا باستخدام التعلم العميق للتصوير البارامترى الوعائي للأماريز الدماغية

خلفية: التصوير البارامتري الوعائي (API) هو طريقة تصوير تستخدم التخطيط الوعائي بالطرح الرقمي (DSA) لوصف ديناميكيات وسط التباين في جميع أنحاء الأوعية الدموية. يتطلب هذا وضع يدوي لمنطقة الاهتمام فوق آفة (مثل كيس الأنيورزم) بواسطة المشغل. الهدف: كان الغرض من عملنا هو تحديد ما إذا كانت شبكة الأعصاب التلافيفية (CNN) قادرة على التعرف على كيس الأنيورزم الدماغي (IA) في DSA وتقسيمه واستخراج ميزات API الإشعاعية بأخطاء قليلة مقارنة بنتائج المستخدمين البشريين. الطرق: تم جمع ثلاثمائة وخمسون صورة انغيوغرافية من IAs بأثر رجعي. تم تحديد الأنيورزميات والأوعية المحيطة يدويًا وتم تطبيق الأقنعة على CNN مكلف بتقسيم دلالي. تم تقييم دقة تقسيمات CNN باستخدام معامل تشابه دايس (DSC) ومؤشر جاكارد (JI). تم حساب المساحة تحت منحنى الخصائص التشغيلية للمتلقي (AUROC). تم مقارنة ميزات API بناءً على تقسيم CNN مع نتائج المستخدمين البشر. النتائج: كانت متوسط JI 0.823 (95% CI 0.783 إلى 0.863) للـ IA و0.737 (95% CI 0.682 إلى 0.792) للأوعية الدموية. كانت متوسط DSC 0.903 (95% CI 0.867 إلى 0.937) للـ IA و0.849 (95% CI 0.811 إلى 0.887) للأوعية الدموية. كانت متوسط AUROC 0.791 (95% CI 0.740 إلى 0.817) للـ IA و0.715 (95% CI 0.678 إلى 0.733) للأوعية الدموية. كانت جميع ميزات API الخمسة المقاسة داخل الأقنعة المتوقعة ضمن 18% من تلك المقاسة داخل الأقنعة المحددة يدويًا. الاستنتاجات: تقسيم CNN للأنيورزمات والأوعية المحيطة من صور DSA ليس أدنى من الأقنعة اليدوية للأنيورزمات ويمكن استخدامه في إجراءات التصوير البارامتري.