颅内动脉瘤（IAs）是指发生在大脑动脉壁的异常膨出，是非外伤性蛛网膜下腔出血(SAH)的主要病因，具有高致残率和死亡率。因此，早期发现和干预IAs是至关重要的。动脉瘤的定位通常需要有经验的放射科医生，这是一个耗时且主观的过程。这给缺乏经验的医生或设备相对参差不齐的医院带来了挑战。如果能够开发一种用于检测和分割IAS的计算机辅助诊断系统，那么即使在发展不佳的医院也可以实现早期的IAS筛查。

作为一种无创、无放射性的检测方法，基于磁共振血管成像技术(MRA)检测确的研究越来越多。虽然MRA比CTA更常用，但这些基于MRA的方法仍然面临着同时实现言敏感性和特异性的挑战。

近日，发表在European Radiology杂志的一项研究设计了一项基于深度学习的磁共振T1图像颅内动脉瘤自动分割检测框架，并对框架的鲁棒性和性能进行了测试。

本项研究对136例T1图像患者的159个IAs进行回顾性诊断研究。其中，随机抽取127个案例进行训练和验证，用32个案例评估算法的准确性和一致性。本项研究开发并组装了三个卷积神经网络用于图像分割和检测。将模型的分割和检测性能与参考标准进行比较，并在体素级、IAs级和患者级计算各种指标，以显示框架的性能。

装配模型的总体Dice、体素级灵敏度、特异度、平衡精度和F1评分分别为0.802、0.874、0.9998、0.937和0.802。模型预测的动脉瘤与实际情况之间的重合大于0.7被认为是真阳性。对于IAs检测，灵敏度达到90.63%，每例0.58例假阳性。研究模型分割的IAs体积与专家标记的IAs体积显示出高度的一致性。  

图 构建深度学习模型的数据集集合图

本项研究表明，深度学习框架使用临床常规T1序列有效地检测和分割颅内动脉瘤，显示出显著的有效性，为提高颅内潜在动脉瘤的检测和早期识别提供了巨大的潜力。

原文出处：

Junda Qu,Hao Niu,Yutang Li,et al.A deep learning framework for intracranial aneurysms automatic segmentation and detection on magnetic resonance T1 images.DOI:10.1007/s00330-023-10295-x