Future Unruptured Intracranial Aneurysm Growth Prediction using Mesh Convolutional Neural Networks

要約

破裂していない頭蓋内動脈瘤（UIA）の成長は、破裂の予測因子です。
したがって、さらなる画像監視と治療計画のために、UIAが初期ベースラインの飛行時間MRA（TOF-MRA）に基づいて成長する可能性があるかどうかを予測できることが重要です。
UIAのサイズと形状は、動脈瘤の成長および/または破裂の予測因子であることが知られています。
ベースラインTOF-MRAからの将来のUIA成長予測のために、メッシュ畳み込みニューラルネットワークを使用する実現可能性調査を実行します。
151個のTOF-MRAが含まれ、169個のUIAがあり、成長の臨床的定義に基づいて49個のUIAが成長し、120個が安定していると分類されました（フォローアップスキャンでサイズが1 mm以上増加）。
UIAはTOF-MRAからセグメント化され、メッシュが自動的に生成されました。
UIAメッシュのみと、UIAおよび周囲の親血管を含む関心領域（ROI）メッシュの両方の入力を調査します。
成長する、または安定した状態を維持するUIAを予測するための分類モデルを開発します。
モデルは、表面トポロジーを記述する形状インデックスと湾曲の追加の新しい入力エッジ機能を含むメッシュ畳み込みニューラルネットワークで構成されていました。
入力エッジの中点座標がモデルのパフォーマンスに影響を与えるかどうかを調査しました。
成長予測に最高のAUC（63.8％）を持つモデルは、入力エッジの中点座標機能（平均F1スコア= 62.3％、精度= 66.9％、感度= 57.3％、特異性= 70.8％）を備えたUIAメッシュを使用していました。
メッシュ畳み込みニューラルネットワークに基づく将来のUIA成長予測モデルを提示し、有望な結果をもたらします。

要約(オリジナル)

The growth of unruptured intracranial aneurysms (UIAs) is a predictor of rupture. Therefore, for further imaging surveillance and treatment planning, it is important to be able to predict if an UIA is likely to grow based on an initial baseline Time-of-Flight MRA (TOF-MRA). It is known that the size and shape of UIAs are predictors of aneurysm growth and/or rupture. We perform a feasibility study of using a mesh convolutional neural network for future UIA growth prediction from baseline TOF-MRAs. We include 151 TOF-MRAs, with 169 UIAs where 49 UIAs were classified as growing and 120 as stable, based on the clinical definition of growth (>1 mm increase in size in follow-up scan). UIAs were segmented from TOF-MRAs and meshes were automatically generated. We investigate the input of both UIA mesh only and region-of-interest (ROI) meshes including UIA and surrounding parent vessels. We develop a classification model to predict UIAs that will grow or remain stable. The model consisted of a mesh convolutional neural network including additional novel input edge features of shape index and curvedness which describe the surface topology. It was investigated if input edge mid-point co-ordinates influenced the model performance. The model with highest AUC (63.8%) for growth prediction was using UIA meshes with input edge mid-point co-ordinate features (average F1 score = 62.3%, accuracy = 66.9%, sensitivity = 57.3%, specificity = 70.8%). We present a future UIA growth prediction model based on a mesh convolutional neural network with promising results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google