A Fully Automated Pipeline Using Swin Transformers for Deep Learning-Based Blood Segmentation on Head CT Scans After Aneurysmal Subarachnoid Hemorrhage

要約

背景: 自然発生的くも膜下出血 (SAH) の正確な容積評価は、現在の手動および半自動の方法で実行される多大な労力を要する作業であり、臨床的および予後の意味に関連する可能性があります。
本研究では、変圧器ベースの Swin UNETR アーキテクチャを採用した非造影コンピュータ断層撮影 (NCCT) スキャンを介して、SAH 患者向けの人工知能駆動の完全自動血液セグメンテーション ツールの開発と検証を目指しました。
方法: 我々は、セグメンテーションに Swin UNETR を利用して、動脈瘤性くも膜下出血 (aSAH) が確認された患者からの NCCT スキャンを遡及的に分析しました。
提案された手法のパフォーマンスは、ダイス スコア、和集合上の交差 (IoU)、体積類似性指数 (VSI)、対称平均表面距離 (SASD)、感度と特異性などのメトリクスを使用して、手動でセグメント化されたグラウンド トゥルース データに対して評価されました。
モデルの一般化可能性をテストするために、外部機関からの検証コホートが組み込まれました。
結果: このモデルは、内部および外部の検証コホート全体で堅牢なパフォーマンス指標を備えた高い精度を実証しました。
特に、高い Dice 係数 (0.873)、IoU (0.810)、VSI (0.840)、感度 (0.821)、特異度 (0.996) の値と、低い SASD (1.866) を達成しており、SAH 患者の血液のセグメント化に熟練していることが示唆されます。
モデルの効率は処理速度に反映されており、リアルタイム アプリケーションの可能性を示しています。
結論: 当社の Swin UNETR ベースのモデルは、NCCT 画像上の aSAH 後の血液の自動セグメンテーションにおいて大幅な進歩をもたらします。
計算量が多いにもかかわらず、このモデルはユーザーフレンドリーなインターフェイスを備えた標準ハードウェア上で効果的に動作し、より広範な臨床での採用を促進します。
その臨床的信頼性を確認するには、さまざまなデータセットにわたるさらなる検証が保証されます。

要約(オリジナル)

Background: Accurate volumetric assessment of spontaneous subarachnoid hemorrhage (SAH) is a labor-intensive task performed with current manual and semiautomatic methods that might be relevant for its clinical and prognostic implications. In the present research, we sought to develop and validate an artificial intelligence-driven, fully automated blood segmentation tool for SAH patients via noncontrast computed tomography (NCCT) scans employing a transformer-based Swin UNETR architecture. Methods: We retrospectively analyzed NCCT scans from patients with confirmed aneurysmal subarachnoid hemorrhage (aSAH) utilizing the Swin UNETR for segmentation. The performance of the proposed method was evaluated against manually segmented ground truth data using metrics such as Dice score, intersection over union (IoU), the volumetric similarity index (VSI), the symmetric average surface distance (SASD), and sensitivity and specificity. A validation cohort from an external institution was included to test the generalizability of the model. Results: The model demonstrated high accuracy with robust performance metrics across the internal and external validation cohorts. Notably, it achieved high Dice coefficient (0.873), IoU (0.810), VSI (0.840), sensitivity (0.821) and specificity (0.996) values and a low SASD (1.866), suggesting proficiency in segmenting blood in SAH patients. The model’s efficiency was reflected in its processing speed, indicating potential for real-time applications. Conclusions: Our Swin UNETR-based model offers significant advances in the automated segmentation of blood after aSAH on NCCT images. Despite the computational intensity, the model operates effectively on standard hardware with a user-friendly interface, facilitating broader clinical adoption. Further validation across diverse datasets is warranted to confirm its clinical reliability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google