摘要
第一部分两种基于CTA的颅内囊状动脉瘤自动检测模型的构建与对比研究 目的：应用CTA图像，分别构建3DUniversalU-Net(3DU2-Net)、GlobalLocalization-basedIANetwork(GLIA-Net)两种颅内囊状动脉瘤深度学习模型，并评估对颅内囊状动脉瘤的检测性能。 材料与方法：回顾性收集2018年1月至2021年9月在青岛大学附属医院行头颅CTA检查的1571例受检者的CTA图像，其中包括囊状动脉瘤患者1271例，无动脉瘤受检者300例。从PACS系统中导出DICOM格式的CTA图像，将其导入ITK-SNAP软件，由一名放射科医师进行动脉瘤手动勾画、分割。在对CTA图像进行预处理后，将1571例受检者随机分为训练组（1034例，包括囊状动脉瘤患者834例和无动脉瘤受检者200例）和测试组（537例，包括囊状动脉瘤患者437例和无动脉瘤受检者100例，其中囊状动脉瘤患者包括100例破裂囊状动脉瘤患者）。应用3DU2-Net、GLIA-Net神经网络分别对训练组CTA图像进行学习和训练，构建颅内囊状动脉瘤自动检测模型。用测试组CTA数据去验证训练好的模型，将结果与诊断标准进行对比，计算检出敏感性、特异性、假阳性率、阳性预测值及F1分数，同时，分别计算两种模型对未破裂囊状动脉瘤及破裂囊状动脉瘤的检测性能，采用χ2检验或fisher精确检验比较和分析不同组间检测性能的差异。 结果： （1）一般特征：训练组834例患者共包含918个动脉瘤，测试组437例患者共包含489个动脉瘤，训练组和测试组数据在动脉瘤大小、位置和成像设备等组成特征方面无明显差异。 （2）两种模型检测结果：1）3DU2-Net模型检出动脉瘤敏感性、特异性、阳性预测值分别为85.1%、83.0%、79.4%；2）GLIA-Net模型检出动脉瘤敏感性、特异性、阳性预测值分别为77.5%、89.0%、84.2%；3）两种模型对直径＞3mm的动脉瘤检出敏感性均高于＜3mm的动脉瘤检出敏感性，且差异均具有统计学意义（P＜0.001）；4）两种模型检出敏感性均不受动脉瘤位置、CT成像设备因素的影响，且差异均无统计学意义（3DU2-Net模型：P=0.063、0.134；GLIA-Net模型：P=0.714、0.509）。 （3）两种模型检测性能对比：1）3DU2-Net模型的检出敏感性高于GLIA-Net模型（P=0.002）；2）3DU2-Net模型的检测特异性略低于GLIA-Net模型（P=0.221）；3）两种模型的F1分数均高于0.80，其3DU2-Net模型的F1分数略高于GLIA-Net模型。 （4）两种模型对未破裂囊状动脉瘤的检出敏感性分别为84.8%、77.1%，对破裂囊状动脉瘤的检出敏感性分别为86.0%、79.0%，且差异均无统计学意义（P=0.770、0.688）。 结论：3DU2-Net、GLIA-Net的深度学习模型能够有效诊断颅内囊状动脉瘤且性能不受动脉瘤位置、CT成像设备及动脉瘤破裂出血的影响，其3DU2-Net模型的检测性能高于GLIA-Net模型。 第二部分3DU2-Net模型与放射科医师检测性能对比 目的：对比3DU2-Net模型与放射科医师对CTA颅内囊状动脉瘤的检测性能，研究深度学习模型对颅内囊状动脉瘤检测的临床应用价值。 材料与方法：纳入研究的受检者资料、3DU2-Net模型对颅内囊状动脉瘤的检测同第一部分。由两名放射科医师（医师1：具有3年影像诊断工作经验；医师2：具有7年影像诊断工作经验）在知道诊断结果前，通过PACS平台观察测试组537例受检者CTA图像，将结果与诊断标准进行对比，分别计算两名医师对颅内囊状动脉瘤的检出敏感性、特异性、假阳性率、阳性预测值及F1分数。经过一个月的洗脱期后，两名医师在模型的辅助下再次对测试组CTA图像进行观察，比较分析在有无模型辅助的情况下医师的诊断性能，采用χ2检验或fisher精确检验、双样本t检验比较和分析不同组间检测性能的差异。 结果： （1）3DU2-Net模型与医师检测性能对比：1）颅内囊状动脉瘤检出敏感性依次为医师1＜3DU2-Net模型＜医师2，其中医师1与模型的差异具有统计学意义（医师1vs模型，P=0.004；医师2vs模型，P=0.308）；2）诊断特异性为医师2＞医师1＞3DU2-Net模型，差异均无明显统计学意义；3）诊断阳性预测值为医师2＞医师1＞3DU2-Net模型，差异均具有统计学意义（医师1vs模型，P＜0.001；医师2vs模型，P＜0.001）。 （2）3DU2-Net模型结合医师诊断结果：1）在模型的辅助下，两名医师的检出敏感性均得到了提高（医师1：由77.9%提高到90.6%；医师2：由87.3%提高到92.4%），差异均具有统计学意义；2）两名医师的诊断F1分数均得到了提高，且医师1提高程度高于医师2（医师1：由0.83提高到0.90；医师2：由0.90提高到0.93）；3）两名医师的动脉瘤检出时间均缩短了（医师1：由2.47分钟/例缩短到1.83分钟/例；医师2：由1.49分钟/例缩短到0.74分钟/例），且差异均具有统计学意义。 结论：基于CTA的3DU2-Net的深度学习模型能够提高医师对颅内囊状动脉瘤的检测性能，可作为CTA辅助诊断颅内囊状动脉瘤的有效工具。
NETL