Un modelo de red neuronal híbrida transformador-convolucional para la segmentación de hemorragia intracerebral y edema perihematoma en tomografía computarizada (TC) de cabeza sin contraste, con cuantificación de incertidumbre para mejorar la confianza
Autores: Tran, Anh T.; Desser, Dmitriy; Zeevi, Tal; Abou Karam, Gaby; Dierksen, Fiona; Dell"Orco, Andrea; Kniep, Helge; Hanning, Uta; Fiehler, Jens; Zietz, Julia; Sanelli, Pina C.; Malhotra, Ajay; Duncan, James S.; Aneja, Sanjay; Falcone, Guido J.; Qureshi, Adnan I.; Sheth, Kevin N.; Nawabi, Jawed; Payabvash, Seyedmehdi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un modelo de red neuronal híbrida transformador-convolucional para la segmentación de hemorragia intracerebral y edema perihematoma en tomografía computarizada (TC) de cabeza sin contraste, con cuantificación de incertidumbre para mejorar la confianza
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Accidente cerebrovascular hemorrágico
Segmentación
HIC
EPH
Transformadores Swin-Unet
NnU-NETv2
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
La hemorragia intracerebral (ICH) y el edema perihematomatoso (PHE) son marcadores clave de imagen de la lesión cerebral primaria y secundaria en el accidente cerebrovascular hemorrágico. La segmentación y cuantificación precisas de ICH y PHE pueden ayudar en la pronóstico y guiar la planificación del tratamiento. En este estudio, combinamos los transformadores Swin-Unet con la red convolucional nnU-NETv2 para la segmentación de ICH y PHE en TAC de cabeza sin contraste. También aplicamos aumentos de datos en tiempo de prueba para evaluar la incertidumbre de predicción a nivel individual, asegurando alta confianza en la predicción. El modelo fue entrenado en 1782 exploraciones de TAC de un ensayo multicéntrico y probado en dos conjuntos de datos independientes de Yale (n = 396) y la Universidad de Berlín Charité Hospital y el Centro Médico Universitario de Hamburgo-Eppendorf (n = 943). El rendimiento del modelo se evaluó con el coeficiente de Dice y la Similitud de Volumen (VS). Nuestro modelo dual Swin-nnUNET logró una mediana (intervalo de confianza del 95%) de Dice = 0.93 (0.90-0.95) y VS = 0.97 (0.95-0.98) para ICH, y Dice = 0.70 (0.64-0.75) y VS = 0.87 (0.80-0.93) para la segmentación de PHE en la cohorte de Yale. Dice = 0.86 (0.80-0.90) y VS = 0.91 (0.85-0.95) para ICH y Dice = 0.65 (0.56-0.70) y VS = 0.86 (0.77-0.93) para la segmentación de PHE en la cohorte de Berlín/Hamburgo-Eppendorf. La incertidumbre de predicción se asoció con una menor precisión de segmentación, volúmenes más pequeños de ICH/PHE y ubicación infratentorial. Nuestros resultados resaltan los beneficios de una arquitectura de red neuronal convolucional de doble transformador para la segmentación de ICH/PHE y el aumento en tiempo de prueba para la cuantificación de la incertidumbre.
Descripción
La hemorragia intracerebral (ICH) y el edema perihematomatoso (PHE) son marcadores clave de imagen de la lesión cerebral primaria y secundaria en el accidente cerebrovascular hemorrágico. La segmentación y cuantificación precisas de ICH y PHE pueden ayudar en la pronóstico y guiar la planificación del tratamiento. En este estudio, combinamos los transformadores Swin-Unet con la red convolucional nnU-NETv2 para la segmentación de ICH y PHE en TAC de cabeza sin contraste. También aplicamos aumentos de datos en tiempo de prueba para evaluar la incertidumbre de predicción a nivel individual, asegurando alta confianza en la predicción. El modelo fue entrenado en 1782 exploraciones de TAC de un ensayo multicéntrico y probado en dos conjuntos de datos independientes de Yale (n = 396) y la Universidad de Berlín Charité Hospital y el Centro Médico Universitario de Hamburgo-Eppendorf (n = 943). El rendimiento del modelo se evaluó con el coeficiente de Dice y la Similitud de Volumen (VS). Nuestro modelo dual Swin-nnUNET logró una mediana (intervalo de confianza del 95%) de Dice = 0.93 (0.90-0.95) y VS = 0.97 (0.95-0.98) para ICH, y Dice = 0.70 (0.64-0.75) y VS = 0.87 (0.80-0.93) para la segmentación de PHE en la cohorte de Yale. Dice = 0.86 (0.80-0.90) y VS = 0.91 (0.85-0.95) para ICH y Dice = 0.65 (0.56-0.70) y VS = 0.86 (0.77-0.93) para la segmentación de PHE en la cohorte de Berlín/Hamburgo-Eppendorf. La incertidumbre de predicción se asoció con una menor precisión de segmentación, volúmenes más pequeños de ICH/PHE y ubicación infratentorial. Nuestros resultados resaltan los beneficios de una arquitectura de red neuronal convolucional de doble transformador para la segmentación de ICH/PHE y el aumento en tiempo de prueba para la cuantificación de la incertidumbre.