脑动脉瘤约占所有非创伤性蛛网膜下腔出血的80％–90％，死亡率为23％–51％且永久性致残的风险为10％–20％。动脉瘤破裂的风险取决于动脉瘤的大小、形状和位置。因此，脑动脉瘤的检测和表征对于临床治疗决策的指导至关重要。

CT血管造影是常规评估脑动脉瘤的一线影像学检查手段，据报道其敏感性和特异性分别高达98％和100％。深度学习是机器学习的一个分支，被越来越多地用于开发图像识别算法等相关研究中。现阶段，深度学习已广泛应用于影像学的多个领域中，例如在儿科人群的手部X光片上评估骨龄、在胸部X光片上检测肺结核、在MR血管造影图像中自动检测脑动脉瘤等。

由于脑动脉瘤的体积较小且颅内血管分布较为复杂性，因此在最初的评估中可能会被忽略，而重复筛查可使动脉瘤检出的假阴性率降低到1％。因此开发一项辅助检测脑动脉瘤的支持算法可提高放射科医生的诊断准确性并为患者的进一步治疗提供保障。

近日，发表在Radiology杂志的一项研究开发了一种基于深度学习的高敏感性的支持算法以用于CT血管造影图像上的脑动脉瘤检测，为临床提供了一个提高脑动脉瘤检测准确性的影像学辅助手段，为进一步提升放射科医生的信心以及对患者治疗方案的准确制定提供强有力的支持。

本研究于2015年1月至2019年6月间，回顾性检索了两家医院数据库中由四种不同扫描仪获取的头部CT血管造影图像。数据分为训练集和验证集;同时将2019年7月至12月期间获取的另外400个独立CT血管造影图像用于外部验证。开发了一种基于深度学习的算法并进行了评价。同时进行了内部和外部验证及JAFROC分析。

本研究共纳入了1068例患者(平均年龄57岁±11岁[标准差];660名女性)的1068次CT血管造影检查，这其中共包括1337个脑动脉瘤。其中，534个CT血管造影图像(688个动脉瘤)组成训练集，其余534个CT血管造影图像(649个动脉瘤)组成验证集。所提出的算法检测脑动脉瘤的敏感性为97.5% (633/649;95%CI:96.0,98.6)。此外，使用该算法检测出了在初次报告中被忽略的8个新动脉瘤(1.2%，649个中的8个)。在该算法的辅助下，放射科医师在JAFROC曲线下面积方面的整体表现提高了0.01 (95% CI: 0.00, 0.03)。

图1 图像显示了假阳性动脉瘤的示例，包括(a)骨结构和血管分叉、(b)静脉、(c)血管弯曲、(d)钙化斑块。红框(d)表示放射科医生标注的动脉瘤，蓝框表示算法标注的动脉瘤。

图2 验证集中算法性能的FROC曲线。

综上所述，本研究引入了一种高敏感性的基于深度学习的CT血管造影图像脑动脉瘤自动检测算法，该算法的使用显著提高了放射科医生在动脉瘤的发现及诊断方面的表现，为临床对疑似脑动脉瘤患者的进一步检查及治疗提供了技术支持。

原文出处：

Jiehua Yang,Mingfei Xie,Canpei Hu,et al.Deep Learning for Detecting Cerebral Aneurysms with CT Angiography.

DOI:10.1148/radiol.2020192154