颅内动脉瘤（IA）的全球发病率为3.2%（95%[CI]，1.9%–5.2%）。其影像学判读耗时耗力，而对于动脉瘤破裂风险分层的一项重要参数——动脉瘤最大径的测量则更为耗时耗力。更重要的是，不同医师对于最大径测量的一致性差异很大。与此同时，影像学检查数量的剧增，给放射科医生带来了沉重的负担。卷积神经网络（CNN）是近年来迅速发展的一种动脉瘤检测方法，应用前景广阔。近年来，计算机辅助动脉瘤检测的研究大多数均基于无创磁共振血管造影（MRA）。MRA成像软组织对比度高，是临床上广泛应用的诊断成像方式，但它在一定程度上受低分辨率和流动伪影的影响。DSA仍是动脉瘤检测和形态学评价的参考标准。3D-RA是一种较新的DSA成像技术，它使介入医师能够从任意角度观察颅内血管，已广泛应用于临床。目前，基于3D-RA的颅内动脉瘤自动诊断研究很少。

首都医科大学附属北京天坛医院李佑祥教授团队的相关研究，以“基于神经网络的3D旋转DSA颅内动脉瘤诊断与分割”（Deep neural network-based detection and segmentation of intracranial aneurysms on 3D rotational DSA）为题，在Interventional Neuroradiology杂志上在线发表。团队于首都医科大学附属北京天坛医院纳入颅内动脉瘤患者的3D旋转DSA影像数据，开发基于UNet架构三维卷积神经网络模型，以检测、分割颅内动脉瘤，并从最大直径测量的准确性方面对训练模型的准确性和临床实用性进行初步评估。

研究从728例颅内动脉瘤患者的DSA数据中，筛选出451例包含未经治疗的颅内动脉瘤3D旋转DSA影像数据。为了最大限度地利用训练数据，以9:1的比例将其随机分配到训练集（347）和验证集（41）集。剩余63例被归为测试数据集。数据纳入和分析流程如图1所示。347个训练数据的总训练时间为55.9小时，平均9.6分钟/例。63个测试数据的诊断共耗时83.7秒，平均每例数据1.3秒（Tesla P100 GPU）。

图1. 数据纳入和分析流程图

451例患者中单发动脉瘤患者420例，多发动脉瘤患者31例。共计485个动脉瘤，其中≤5mm 176个、5-10mm 204个、10-15mm 59个、15-20mm 27个、20-25mm 12个、≥25mm 7个。动脉瘤病人的基本信息和动脉瘤的形态学信息详见表1。对于颅内动脉瘤的诊断（图2），FROC曲线分析表明，该模型在每个病例0.159个假阳性时的敏感性为0.710，在每个病例1.49个假阳性时的敏感性为0.986（图3）。算法测量和手动测量的动脉瘤最大径（8.3±4.3mm vs 7.8±4.8mm）具有良好的一致性，相关系数r=0.77，小样本偏倚0.24mm，一致限-6.2-5.71mm。37%和77%的直径测量值分别在专家测量值的1mm和2.5mm范围内（图4）。

表1. 数据集基线资料表

图2. 模型诊断、分割效果展示

图3. 验证集和测试集的FROC曲线

图4. 模型和人工测量的最大径一致性分析。左，散点图；右，Bland-Altman图

本研究结果显示，3D-UNet模型可以在3D-RA影像上以相对较高的精度检测和分割动脉瘤。自动测量的最大径具有潜在的临床应用价值。

首都医科大学附属北京天坛医院李佑祥教授为本文的通讯作者，刘新科医师和冯俊强医师为本文的共同第一作者。本研究得到首都医科大学附属北京天坛医院和国家神经系统疾病临床医学研究中心的大力支持。本项目受到科技部国家重点研发计划项目的资助。

[REF: Liu X, Feng J, Wu Z, et al. Deep neural network-based detection and segmentation of intracranial aneurysms on 3D rotational DSA. Interv Neuroradiol. 2021;27(5):648-657. doi:10.1177/15910199211000956]