以深度學習幫助偵測腦血管球囊狀動脈瘤

背景：腦血管球囊狀動脈瘤是一種病理性的血管突出及擴張，並且可以發生於任何年紀的病人。動脈瘤破裂會造成嚴重的健康問題，例如：出血性中風、腦損傷、昏迷，甚至死亡。腦血管動脈瘤可以在影像檢查中意外被發現，因此，偵測動脈瘤變成放射科醫師一項很重要的任務。然而，近日隨著醫學影像的總量增加，放射線專科醫師的工作量也日漸增加，導致醫師眼力疲乏或專注力降低，造成診斷率下降。因此，此研究欲發展出一套深度學習的模型，預先判斷出腦血管球囊狀動脈瘤的位置，再由放射線專科醫師確認其判讀的正確性，藉此提升動脈瘤的診斷率。

研究目的：發展出一套深度學習的模型，可以自動偵測出核磁共振影像上的腦血管球囊狀動脈瘤，並驗證此模型的診斷率。

材料與方法：此研究回溯性收集臺北市立萬芳醫院從2018-2020年內有進行3D time-of-flight (TOF)磁振血管攝影檢查，並由放射線專科醫師判斷確診為腦血管球囊狀動脈瘤的病例。排除：(1)有蜘蛛膜下腔出血、(2)已接受外科夾除手術（clipping）或血管內介入線圈栓塞（coiling）的患者。從中選出40位患者，將TOF MRA影像去連結後，其中60%病例歸類為訓練群組，20%病例分為驗證群組，另20%則為測試群組，由神經放射線專科醫師利用開源標註軟體（3D Slicer）來進行感興趣影像區域（region of interest, ROI）之正常動脈血管及球囊狀動脈瘤邊界手動圈選，並將這些標註影像匯出NIfTI檔留存。再將已標註之影像，使用DeepMedic模型進行訓練，最後使用測試群組來驗證模型的效能。

結果：本研究在血管分割模型最佳的表現為Dice相似係數0.884，在動脈瘤的偵測上獲得的最佳表現為靈敏度85.7%，陽性預測值37.5%，每例偽陽性1.67顆/位患者。

結論：本研究將深度學習應用於非侵入性的TOF MRA偵測腦部球囊狀動脈瘤，初步的成果可以幫助偵測約80%的動脈瘤，然而，較高的偽陽性率仍是此模型的一大缺點。未來增加訓練資料量及加入正常資料，可以使模型更精準地偵測動脈瘤。