摘要：目的颅内动脉瘤的诊断有赖于数字减影成像(DSA),计算机扫描造影(CTA)及磁共振血管成像(MRA)等影像手段。目前基于临床影像资料的颅内动脉瘤诊断主要依靠临床医师的经验,然而由于颅内血管结构复杂,人工读片容易造成误诊、漏诊。近年来随着机器学习技术的不断发展,基于人工智能的医学影像处理研究已逐步开展并展现了良好的临床效果。本文基于卷积神经网络(convolutional neutral network,CNN)对头部CTA影像中的颅内动脉瘤人工智能判别方法开展了初步研究。方法现阶段研究中使用从西安交通大学第一附属医院数据库中获取了29例(11 930张切片)具有不同部位颅内动脉瘤患者的CTA影像数据。通过对上述图像进行降噪和标记等前处理,分别构建用于CNN训练的训练集(17组)、验证集(3组)和测试集(9组)。其后在Tensorflow平台构建具有5个卷积层、3个全连接层的CNN(Alex Net)并进行训练。最终将测试集输入训练完成的CNN,对上述神经网络的正确率等指标进行评价。结果与结论测试集中共包含9例(3 652张切片)颅内动脉瘤患者的CTA影像,其中包含动脉瘤本体的CTA影像切片共108张。结果显示,以CTA切片为单位,前述CNN整体准确率89. 51%,对包含动脉瘤瘤体的切片识别率(召回率) 87. 04%;而以病例为单位,9例动脉瘤患者全部成功识别,其识别准确率达100%。上述结果表明,现有的CNN结构在基于CTA影像的颅内动脉瘤病例识别中能够实现极高的准确性,具有广阔的临床应用价值。然而对于动脉瘤所在具体切片的识别精度还有待进一步提高。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社