颅内动脉瘤(IA)是一种常见的、有潜在生命危险的疾病，在普通人群中的发病率约为3%，在85%的自发性蛛网膜下腔出血(SAH)患者中出现这种情况。动脉瘤出血破裂是一个严重的事件，据报道死亡率从23%到51%不等。计算机断层扫描血管造影(CTA)是一种安全、无创、方便和可靠的检测IA的方法。CTA的应用范围更广，比数字减影血管成像(DSA)更具成本效益。颅内动脉瘤体积小、颅内血管复杂且放射科的工作量越来越大，因此增加了误诊IA的风险。因此，开发一个能够帮助放射科医生实现动脉瘤早期检测的工具是非常重要的。近年来，深度学习模型(DLMs)，特别是那些使用卷积神经网络工程(CNNs)的模型，在协助不同专业的医学影像诊断和分析方面显示出巨大的前景。CNN特别适合于分析医学图像，以前的研究使用CNN来检测和区分缺血性脑病变、颅内出血、脑肿瘤和脑动脉瘤。然而，以前关于动脉瘤检测的研究只使用了单期相CTA数据，多时相CTA的数据还没有被有效利用。

近日，发表在academic radiology杂志的一项研究开发了一种利用多时相CTA的全自动、高度准确的算法来进行IA的检测。

本项研究对宁波市第一医院患者的颅内动脉CTA图像进行了回顾性分析。将图像随机分类为训练数据、内部验证数据或测试数据。通过数字减影血管造影(DSA)检查病例的CTA图像进行独立验证。通过自动选择多相融合的相位构建了一个深度学习模型，并与单相算法进行比较以评估算法的敏感性。

研究分析了1110名患者(1493个动脉瘤)作为训练数据、139名患者(174个动脉瘤)作为内部验证数据以及134名患者(175个动脉瘤)作为测试数据。对内部验证数据、测试数据和独立验证数据的多时相分析的敏感性要大于单期相分析。在动脉瘤位置、形状、大小和破裂状态方面，多时相选择的召回率大于或等于单期相选择。使用测试数据来确定是否存在动脉瘤破裂，使多时相选择的召回率分别为94.8%和87.6%;这两个数值都大于单相选择的数值(89.6%和79.4%)。

本项研究表明，带有自动相位选择的多时相融合深度学习模型为临床提供了具有高灵敏度的IA自动检测。

原始出处：

Jinglu Wang,Jie Sun,Jingxu Xu,et al.Detection of Intracranial Aneurysms Using Multiphase CT Angiography with a Deep Learning Model.DOI:10.1016/j.acra.2022.12.043