颅内动脉瘤是一种常见的脑血管疾病，在人群中的发病率约为3%。一旦破裂，造成的蛛网膜下腔出血可能是致命的。人们认为对未破裂的动脉瘤进行治疗可以防止将来的破裂，对患者的生存质量保证意义重大。然而，未破裂动脉瘤的筛查是目前临床上的挑战之一，因为这些动脉瘤往往在无症状阶段潜伏多年。CTA和MRA是两种常规的脑血管检查技术，在临床上常规应用于动脉瘤的检测。由于不需要使用造影剂，无增强的TOF-MRA是无症状患者筛查动脉瘤的首选。

为了促进诊断的进展、提高诊断的准确性和效率，从医学研究到临床实践，人工智能方法正在深入发展。到目前为止，基于深度学习的颅内动脉瘤自动检测主要采用3D UNet、DeepMedic和ResNet作为核心网络。以前提出的方法性能达到了85.7%-94.2%的灵敏度；但是，每例的假阳性率为2.9-9.0。这些方法大多采用相对经典的网络，并使用统一裁剪的图像块或血管分割结果作为单通道输入。因此，网络很难充分学习血管特征，导致高假阳性率。在临床筛查阶段，一旦出现漏诊，所有检测到的病变都被推定为真正的动脉瘤，这可能导致不必要的侵入性检查或对患者造成潜在的伤害风险，同时也浪费了医疗资源。如何在控制假阳性的同时获得尽可能高的灵敏度是一个亟待解决的问题。

近日，发表在European Radiology杂志的一项研究提出了一个均衡的数据增强策略和一个改进的双通道挤压和激发（SE）3D UNet网络以形成一个全自动的颅内动脉瘤检测方法，为临床进行准确、快速的动脉瘤实识别及诊断提供了技术支持。

本项研究数据集包含1160次TOF-MRA检查，由六家医院的未破裂动脉瘤（n = 1096）和正常对照（n = 166）组成。从2013年-2019年获得的总共1037次检查被作为训练集，并从2020年到2021年获得的123次检查被作为外部测试集。研究提出了一个基于动脉瘤位置的均衡增强策略，并构建了一个基于双通道SE-3D UNet的检测模型。该模型在训练集中进行了5倍交叉验证，然后在外部测试集上进行测试。 

所提出的方法在病人层面达到82.46%的敏感度，在病变层面达到73.85%的敏感度，在外部测试集中每个病例的假阳性率为0.88。根据动脉瘤部位（ACA除外）、动脉瘤大小（小于3毫米除外）或MRI扫描仪，其性能在亚组中没有显示出明显差异。其表现比基本的SE-3D UNet要好，增加了15.79%的病人级敏感性，减少了4.19个FPs/案例。 

 图 本研究中具有代表性的未检测到的动脉瘤

综上所述，本研究提出了一种基于双通道SE-3D UNet的颅内动脉瘤自动检测方法，在确保可接受的灵敏度的同时、实现了低误报率，为临床在脑动脉瘤筛查中提供一种有竞争力的深度学习方法。
原文出处：

Geng Chen,Bao Yifang,Zhang Jiajun,et al.Automated unruptured cerebral aneurysms detection in TOF MR angiography images using dual-channel SE-3D UNet: a multi-center research.DOI:10.1007/s00330-022-09385-z