Detección de aneurismas intracraneales basada en aprendizaje profundo en 3D TOF-MRA

ANTECEDENTES Y PROPÓSITO: La ruptura de un aneurisma intracraneal es un incidente grave, causando hemorragia subaracnoidea asociada con altas tasas de fatalidad y morbilidad. Debido a que la demanda de exámenes radiológicos está creciendo constantemente, la fatiga de los médicos por el aumento de la carga de trabajo es una preocupación real y puede llevar a diagnósticos erróneos de hallazgos potencialmente relevantes. Nuestro objetivo fue desarrollar un sistema suficiente para la detección automatizada de aneurismas intracraneales. MATERIALES Y MÉTODOS: En un estudio retrospectivo, establecimos un sistema para la detección de aneurismas intracraneales a partir de datos de 3D TOF-MRA. El sistema se basa en una red neuronal de código abierto, desarrollada originalmente para la segmentación de estructuras anatómicas en imágenes médicas. Se utilizaron ochenta y cinco conjuntos de datos de pacientes con un total de 115 aneurismas intracraneales para entrenar el sistema y evaluar su rendimiento. La anotación manual de los aneurismas basada en informes radiológicos y la revisión crítica de los datos de imagen sirvieron como estándar de referencia. Se determinaron la sensibilidad, los falsos positivos por caso y el valor predictivo positivo para diferentes pipelines con preprocesamiento y posprocesamiento modificados. RESULTADOS: La mayor sensibilidad general de nuestro sistema para la detección de aneurismas intracraneales fue del 90% con una sensibilidad del 96% para aneurismas con un diámetro de 3-7 mm y 100% para aneurismas de >7 mm. El mejor rendimiento dependiente de la ubicación fue en la circulación posterior. El preprocesamiento y posprocesamiento redujeron suficientemente el número de falsos positivos. CONCLUSIONES: Nuestro sistema, basado en una red neuronal convolucional de aprendizaje profundo, puede detectar aneurismas intracraneales con una alta sensibilidad a partir de datos de 3D TOF-MRA.