0.前言
选文：大壮
整理：小吴，大壮
这篇推文年初时候就写的，存在草稿箱一直没发，当时感觉很多细节需要完善，也没时间处理。偏工科的论文。
论文来自TOP期刊IEEE Transactions on Medical Imaging，主要采用深度学习的方法实现未破裂颅内动脉瘤检测(Unruptured Intracranial Aneurysms, UIAs)。
颅内动脉瘤多为发生在颅内动脉管壁上的异常膨，在普通人群中的发病率约为3%，发病年龄集中于40~60岁。
未破裂颅内动脉瘤可长期保持无症状和未被发现的状态，但也可能出现非特异性症状，如头痛、眩晕等。当颅内动脉瘤破裂时，会造成蛛网膜下腔出血，可能导致严重的后遗症甚至偏瘫。即使发现早期未破裂颅内动脉瘤非常重要。
1.论文基本信息
Timmins K M, Van der Schaaf I C, Vos I N, et al. Geometric deep learning using vascular surface meshes for modality-independent unruptured intracranial aneurysm detection[J]. IEEE Transactions on Medical Imaging, 2023.
本论文来自Q1区期刊IEEE Transactions on Medical Imaging，影响因子为11.037。
2.论文简介
作者使用了ResU-net 架构以及MeshCNN的卷积层和池化层。在池化层中实现了稀疏矩阵，使网络的内存使用效率更高，并且比原始MeshCNN 实现更高分辨率的网格输入。此外，池化层被修改为不折叠边缘，从而产生非流形网格。该模型经过进一步修改，允许在原始五个几何特征的基础上为每条边添加额外的输入特征。
具体来说，为每个边缘添加了两个额外的局部曲率特征：形状指数和曲率，有助于 UIA 的检测。
形状指数和曲率是根据血管网格表面上的每个顶点确定的。
然后，给每条边赋予一个曲率特征（形状指数或曲率），其值为该边对应端点的平均值。
（作者并未给出详细的算法介绍）
作者设计了三种实验，分别评估了
(1)输入网格边缘分辨率、
(2)网络的池化方案、
(3)形状指数和曲率作为附加输入边缘特征对 UIA检测模型性能的影响。
使用三重交叉验证对这些实验进行评估。性能最佳的网络在完整的训练集上进行了训练，并在TOF-MRA和CTA 测试集上进行了测试。
3.数据介绍
训练数据取自ADAM挑战赛，由93个已诊断为UIA的脑部TOF-MRA扫描组成。UIA的大小范围为1.0-15.9mm不等，中位直径为3.9mm。
测试数据分为两部分：
（1）ADAM测试数据集，包括142个TOF-MRA扫描，其中117个包含UIA，25个不包含UIA。
（2）CTA（CT血管造影）数据包括20个CTA扫描和相应的非对比CT扫描，所有CTA扫描都至少包含一个未经治疗的UIA。UIA的中位直径为5.1mm，范围为2.3-14.1mm。所有CT扫描均在UMC Utrecht进行，UIA由同一位放射科医生标记，并且UIA的标注采用与ADAM数据相同的方法和程序。
2. 标记网格生成
标记网格生成的生成可分为两步：
第一步是血管分割
对于TOF-MRA，作者使用现有的3D U-net网络进行自动血管分割；对于CTA，作者使用阈值处理和连通分量分析半自动地分割出主要血管。
第二步是血管表面网格标记
在血管分割和UIA标注的基础上，使用MeVisLab（MeVis Solution A.G，Fraunhofer MEVIS）开发的邻近细胞算法，扫描血管分割中的每个体素以生成三角形表面网格表示。
实验结果
作者探究了三个参数对检测性能的影响。
（1）输入网格边缘分辨率
输入网格边缘分辨率是指在血管分割时，使用多少条边的网格对图像进行分割。具体的实验结果如下表，可见边缘分辨率越高，性能越好。
（2）池化方案
不同池化方案对检测性能的影响如下表所示，最优的池化方案为（15000，12000，6000，2000）。
（3）输入特征
作者认为使用形状指数和曲率作为附加输入特征可以提高模型的检测性能，在TOF-MRA和CTA测试集中都具有良好的表现。
UIAs直径的大小对UIA分为大（≥7mm）、中（＞3mm，＜7mm）、小（≤3mm）三类，研究本文模型在大小方面的表现。可以看出对于直径较小的UIA检测效果降低很多。
TOF-MRA测试集：
CTA测试集：
