Vývoj a evaluace softwarového systému pro automatickou predikci umístění trepanačního návrtu u pacientů s chronickým subdurálním hematomem na základě předoperačních CT snímků

Abstract

Chronický subdurální hematom (cSDH) je častý neurochirurgický stav charakterizovaný přítomností hemolytické krevní kolekce pod dura mater, vnější pojivovou vrstvou obalující mozek. Klinický obraz může být různý od absence příznaků až po bezvědomí. Primární léčbou je evakuace pomocí trepanace, někdy doplněná zavedením drénu. Tato práce se zabývá automatizovaným postupem pro predikci míst trepanace na základě předoperačních CT snímků. Zahrnuje několik klíčových částí: automatickou detekci míst trepanace na předoperačních a pooperačních CT snímcích, segmentaci cSDH z předoperačních CT snímků a predikci umístění trepanací na základě předoperačních snímků. Nebyly zaznamenány statisticky významné rozdíly mezi přesností detekce míst trepanace založené na kombinaci obrazové registrace a šablonového porovnání a přesností manuálních predikcí odborníků. Pro segmentaci hematomu byl použit 3D nnU-Net model, který byl natrénován na 43 snímcích a testován na 5 snímcích, přičemž dosáhl Dice skóre 0.75 na validační sadě a 0.80 na testovací sadě. Byly zaznamenány statisticky významné rozdíly mezi přesností predikce míst trepanace založenou na atlasové metodě s rigidní registrací a přesností manuálních anotací odborníků. Kvalitativní analýza provedená lékařským expertem na 53 snímcích potvrdila klinickou relevanci těchto predikcí, přičemž předpovězená místa byla vhodná v 92% případech.

Chronic subdural hematoma (cSDH) is a frequent neurosurgical condition characterized by the presence of hemolytic blood collection under dura mater, the outer connective tissue layer enclosing the brain. Clinical presentation may vary from no symptoms to unconsciousness. The primary treatment for cSDH is evacuation from a burr hole craniotomy, sometimes with insertion of a drain. This thesis investigates an automated pipeline for predicting burr hole trepanation sites from preoperative CT scans. The work encompasses several key components: automatic detection of burr hole sites using preoperative and postoperative CT scans, segmentation of cSDH from preoperative CT scans, and prediction of burr hole placement based on preoperative imaging. The automatic burr hole detection method, combining image registration and template matching, achieved accuracy that was not statistically significantly different from manual expert annotations. For hematoma segmentation, a 3D nnU-Net model trained on 43 images and tested on 5 images reached Dice scores of 0.75 on the validation set and 0.80 on the test set. Statistically significant differences were observed between the accuracy of burr hole placement prediction based on the atlas method with rigid registration and the accuracy of manual expert annotations. A qualitative analysis conducted by a medical expert on 53 images confirmed the clinical relevance of these predictions, with the predicted locations being appropriate in 92% of cases.