두개내 뇌동맥류의 조기 발견은 조기 치료를 가능하게 하여 환자에게 더 나은 결과를 제공할 수 있다. 혈관 조영 영상으로 훈련되고 실행되는 딥 러닝 기반 모델은 감지 감도를 높이고 뇌동맥류 감지 과정을 가속화할 수 있다. 그러나 이전에 발표된 방법은 대부분 단일 양식에서 훈련되고 검증되었지만 양식 내 및 양식 간에 보고된 성능은 아직 임상 적용에 충분하지 않은 것으로 보인다.
따라서 본 연구는 자기공명혈관조영술 및 컴퓨터단층혈관조영술 영상에서 뇌동맥류를 감지하기 위한 전자동 방식의 독립적인 방법을 제안하고자 하였다.
제안된 모델은 먼저 nnUnet 접근 방식을 사용하여 컴퓨터단층혈관조영술 및 자기공명 혈관조영술 영상에서 혈관 표면 메쉬를 자동으로 추출하였다. 뇌동맥류 감지를 위해 추출된 표면을 로컬 패치로 임의로 분할한 다음 변환, 회전 및 규모에 변치 않는 PointNet++을 사용한 분류기를 훈련하였다. 예측 단계는 표면 추출 및 구획화를 그대로 진행하였으며 구획 전체의 결과를 전체 혈관 표면에 중첩한 뇌동맥류 감지 열지도로 나타냈다.
여러 양식에 걸쳐 일관된 성능을 입증하기 위해 교차 양식 실험을 수행하였다. 그리고 다른 데이터 세트로 실험들을 수행하여 더 많은 훈련 데이터 세트로 성능이 향상되는지 확인하였다. 마지막으로 최첨단 모델과의 직접 비교를 위해 그 모델의 학습 과정과 동일한 데이터 세트 설정을 사용하여 수행하였다.
이 모델은 교차 양식 실험에서 일관된 성능을 보여주었다 (0.87-0.89의 참양성율, 1.04-1.7의 위양성/이미지). 최상의 모델은 최첨단 모델과 비교한 실험에서 이미지당 0.84개의 위양성, 93.4%의 참양성율을 보였다.
실험들을 통한 결과를 볼 때 제안된 접근 방식은 최첨단 모델에 비해 감지 민감도와 특이도가 크게 향상되었을 뿐만 아니라 영상 양식에 구애받지 않았다.