颅内动脉瘤高发高危且起病隐匿，早期发现并干预能够预防可能发生的动脉瘤破裂。飞行时间磁共振血管造影（time of flight magnetic resonance angiography，TOF-MRA）是主要的颅内动脉瘤无创筛查方法，但人工筛查存在漏诊、效率低等问题。此外，已有的基于深度学习的自动检测算法平均每例假阳性数较高（2.9~9.0个/例），易导致患者进行有风险且非必要的数字减影血管造影(digital subtraction angiography, DSA)检查，这导致现有的自动检测方法难以在临床应用。
为构建有高敏感度同时有低假阳性数的颅内动脉瘤自动检测算法，中科院苏州医工所戴亚康课题组耿辰副研究员与复旦大学附属华山医院放射科合作，提出均衡数据增强策略以及基于轮廓引导的双通道卷积神经网络检测方法（见图1），并将该方法在多中心数据集上进行了验证。该检测方法通过自适应阈值的颅内血管提取算法对完整TOF-MRA数据进行预处理，采用血管树轮廓图像和完整血管树图像作为双通道输入，同时利用通道注意力机制使模型对通道特征实现自适应选择。方法中构建了双通道SE-3D UNet模型，并利用基于均衡数据增强策略的训练数据进行网络训练，进一步提升了模型的检测性能。最终构建的检测方法可读入原始TOF-MRA影像，进行动脉瘤的自动检测，并输出包含动脉瘤位置标注的检测结果。
研究团队使用采集自6家医院的1037例数据作为网络的训练集和验证集，123例作为外部测试集，方法在外部测试集的病例级别检测敏感度（TRP）为82.46%，平均每例假阳性数（FPs/case）为0.88，性能与现有同类方法相比有显著提升，敏感度具有竞争力，且达到了更低的平均每例假阳性数。方法在数据各维度分组上的性能表现如图2所示，经统计分析，各分组检测性能间没有显著差异。
该成果发表于EUROPEAN RADIOLOGY。该项工作得到了国家自然科学基金；上海市科委项目；山东省自然科学基金项目的经费支持。
论文链接：https://link.springer.com/article/10.1007/s00330-022-09385-z
图1 所提出的基于通道注意力的双通道输入卷积神经网络检测方法流程图
图2 所提出方法在外部测试集的各维度分组上的性能表现
附件下载：
