Indiziert in
- Öffnen Sie das J-Tor
- Genamics JournalSeek
- JournalTOCs
- Ulrichs Zeitschriftenverzeichnis
- RefSeek
- Hamdard-Universität
- EBSCO AZ
- OCLC – WorldCat
- Proquest-Vorladungen
- Publons
- Genfer Stiftung für medizinische Ausbildung und Forschung
- Euro-Pub
- Google Scholar
Nützliche Links
Teile diese Seite
Zeitschriftenflyer
Open-Access-Zeitschriften
- Allgemeine Wissenschaft
- Biochemie
- Bioinformatik und Systembiologie
- Chemie
- Genetik und Molekularbiologie
- Immunologie und Mikrobiologie
- Klinische Wissenschaften
- Krankenpflege und Gesundheitsfürsorge
- Landwirtschaft und Aquakultur
- Lebensmittel & Ernährung
- Maschinenbau
- Materialwissenschaften
- Medizinische Wissenschaften
- Neurowissenschaften und Psychologie
- Pharmazeutische Wissenschaften
- Umweltwissenschaften
- Veterinärwissenschaften
- Wirtschaft & Management
Abstrakt
Computergestützte Bewertung und Erkennung des Aneurysmawachstums (AGED): Vergleich mit der klinischen Aneurysma-Nachuntersuchung
Aichi Chien*, Ziga Spiclin, Ziga Bizjak, Kambiz Nael
Hintergrund: Da wachsende intrakranielle Aneurysmen (IA) häufiger reißen, ist die Wachstumserkennung ein wichtiger Bestandteil der Nachsorge bei nicht gerissenen IA. Aktuelle Studien haben immer wieder gezeigt, dass die Erkennung von IA-Wachstum eine Herausforderung sein kann, insbesondere bei kleineren Aneurysmen. In dieser Studie stellen wir eine automatisierte Computermethode zur Unterstützung der Erkennung von Aneurysmawachstum vor.
Methoden: Es wurde ein Analyseprogramm, Aneurysm Growth Evaluation and Detection (AGED), entwickelt, das auf IA-Bildern basiert. Um zu überprüfen, ob das Programm klinisches Aneurysmawachstum zufriedenstellend erkennen kann, führten wir diese Vergleichsstudie durch, wobei wir klinische Wachstumsbestimmungen während der IA-Nachuntersuchung als Goldstandard verwendeten. Es wurden Patienten mit nicht rupturiertem, sackförmigem IA untersucht, bei denen zur Überwachung des IA-Fortschritts eine diagnostische CTA des Gehirns durchgeführt wurde. 48 IA-Bildserien von 20 longitudinal verfolgten ICA IA wurden mithilfe von AGED analysiert und eine Reihe morphologischer IA-Merkmale berechnet. Es wurden nichtparametrische statistische Tests und ROC-Analysen durchgeführt, um die Leistung jedes Merkmals zur Wachstumserkennung zu bewerten.
Ergebnisse: Die automatisch berechneten morphologischen Merkmale zeigten vergleichbare Ergebnisse wie die standardmäßige, manuelle klinische IA-Wachstumsbewertung. Insbesondere war der automatisch berechnete HMAX (AUC = 0,958) bei der Unterscheidung zwischen wachsendem und stabilem IA überlegen, gefolgt von V und SA (AUC = 0,927 bzw. 0,917).
Schlussfolgerung: Unsere Erkenntnisse unterstützen automatische Methoden zur Erkennung von IA-Wachstum aus sequenziellen Bildgebungsstudien als nützliche Ergänzung zur standardmäßigen klinischen Beurteilung. Die von AGED erzeugte Wachstumserkennung ist vielversprechend für die Charakterisierung und Erkennung von IA-Wachstum und hat das Potenzial, die mit manuellen Messungen verbundene Variabilität zu verringern.