目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进...目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。展开更多
颅内动脉粥样硬化是缺血性卒中(Ischemic stroke, IS)的主要原因之一,其致死率和致残率较高。颅内血管病变的发病机制通常始于血管壁,因此,早期识别斑块成分及其易损性对临床诊疗和患者预后至关重要。颅内血管传统影像学评价方法,如DSA...颅内动脉粥样硬化是缺血性卒中(Ischemic stroke, IS)的主要原因之一,其致死率和致残率较高。颅内血管病变的发病机制通常始于血管壁,因此,早期识别斑块成分及其易损性对临床诊疗和患者预后至关重要。颅内血管传统影像学评价方法,如DSA、CTA、MRA,主要评价病变血管管腔狭窄程度,不能评价管壁情况并具有电离辐射危害或有创性。高分辨率血管壁成像(High-resolution magnetic resonance vessell wall imaging, HR-VWI)作为一项新兴的无创检查技术,可以清晰地显示颅内动脉管壁情况,精准对斑块进行定量及定性分析,进而识别斑块的易损性特征。本文旨在深入探讨HR-VWI在评估颅内动脉粥样硬化斑块影像学特征与缺血性卒中之间的相关性,为患者早期发现及诊疗提供可行性方向。Intracranial atherosclerosis, a major cause of ischemic stroke (IS), carries high mortality and morbidity. Early detection of plaque composition and vulnerability is crucial due to its vessel wall origin. Traditional imaging (DSA, CTA, MRA) focuses on lumen stenosis, lacking wall assessment and with radiation or invasive risks. HR-VWI (High-resolution magnetic resonance vessell wall imaging), an emerging non-invasive technique, visualizes intracranial arterial walls, precisely analyzing plaques and identifying their vulnerability. This article aims to delve into the correlation between HR-VWI in assessing intracranial atherosclerotic plaque imaging features and ischemic stroke, providing a feasible direction for early detection, diagnosis, and treatment of patients.展开更多
文摘目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。
文摘颅内动脉粥样硬化是缺血性卒中(Ischemic stroke, IS)的主要原因之一,其致死率和致残率较高。颅内血管病变的发病机制通常始于血管壁,因此,早期识别斑块成分及其易损性对临床诊疗和患者预后至关重要。颅内血管传统影像学评价方法,如DSA、CTA、MRA,主要评价病变血管管腔狭窄程度,不能评价管壁情况并具有电离辐射危害或有创性。高分辨率血管壁成像(High-resolution magnetic resonance vessell wall imaging, HR-VWI)作为一项新兴的无创检查技术,可以清晰地显示颅内动脉管壁情况,精准对斑块进行定量及定性分析,进而识别斑块的易损性特征。本文旨在深入探讨HR-VWI在评估颅内动脉粥样硬化斑块影像学特征与缺血性卒中之间的相关性,为患者早期发现及诊疗提供可行性方向。Intracranial atherosclerosis, a major cause of ischemic stroke (IS), carries high mortality and morbidity. Early detection of plaque composition and vulnerability is crucial due to its vessel wall origin. Traditional imaging (DSA, CTA, MRA) focuses on lumen stenosis, lacking wall assessment and with radiation or invasive risks. HR-VWI (High-resolution magnetic resonance vessell wall imaging), an emerging non-invasive technique, visualizes intracranial arterial walls, precisely analyzing plaques and identifying their vulnerability. This article aims to delve into the correlation between HR-VWI in assessing intracranial atherosclerotic plaque imaging features and ischemic stroke, providing a feasible direction for early detection, diagnosis, and treatment of patients.
