Abstract This study aimed to (1) replicate a deep-learning-based model for cerebral aneurysm segmentation in TOF-MRAs, (2) improve the approach by testing various fully automatic pre-processing pipelines, and (3) rigorously validate the model’s transferability on independent, external test-datasets. A convolutional neural network was trained on 235 TOF-MRAs acquired on local scanners from a single vendor to segment intracranial aneurysms. Different pre-processing pipelines including bias field correction, resampling, cropping and intensity-normalization were compared regarding their effect on model performance. The models were tested on independent, external same-vendor and other-vendor test-datasets, each comprised of 70 TOF-MRAs, including patients with and without aneurysms. The best-performing model achieved excellent results on the external same-vendor test-dataset, surpassing the results of the previous publication with an improved sensitivity (0.97 vs. ~ 0.86), a higher Dice score coefficient (DSC, 0.60 ± 0.25 vs. 0.53 ± 0.31), and an improved false-positive rate (0.87 ± 1.35 vs. ~ 2.7 FPs/case). The model further showed excellent performance in the external other-vendor test-datasets (DSC 0.65 ± 0.26; sensitivity 0.92, 0.96 ± 2.38 FPs/case). Specificity was 0.38 and 0.53, respectively. Raising the voxel-size from 0.5 × 0.5×0.5 mm to 1 × 1×1 mm reduced the false-positive rate seven-fold. This study successfully replicated core principles of a previous approach for detecting and segmenting cerebral aneurysms in TOF-MRAs with a robust, fully automatable pre-processing pipeline. The model demonstrated robust transferability on two independent external datasets using TOF-MRAs from the same scanner vendor as the training dataset and from other vendors. These findings are very encouraging regarding the clinical application of such an approach.

Abstract Introduction This study investigates the influence of carotid artery elongation on neurovascular intervention and outcome in acute stroke treatments proposing an easily assessable imaging marker for carotid elongation. Methods 118 patients who underwent mechanical thrombectomy for middle cerebral artery occlusions were included. The carotid elongation ratio (CER), center-line artery length to scan’s Z-axis, was measured on the affected side in CT-angiographies. Full and partial correlations of CER with periprocedural times, complications and outcome were computed. Multivariate logistic regression, including comorbidities, for prediction of dichotomized mRS outcome after 3 months was performed. Results CER showed no significant correlation with recanalization success. Weak, outlier-driven correlation was found with recanalization time ( p = 0.021, cor = 0.2). Weak correlations were found with improvement of NIHSS score at discharge and mRS score after 3 months ( p = 0.023 and p = 0.031, each rho=-0.2). There was moderate correlation with NIHSS score at discharge ( p = 0.001, rho = 0.3). Patients with favorable outcomes (mRS 0–2) exhibited lower CER ( p = 0.012). Partial correlations of CER with favorable outcomes were observed after correcting for age, sex and cardiovascular risk factors (cor = 0.2, p = 0.048). Multivariate analysis (Nagelkerke’s R2 = 0.42) identified NIHSS score at admission, diabetes, hypertension and intervention time as significant factors for predicting outcome at 3 month, while CER showed the highest log Odd’s (2.97). Conclusion Correlations between CER and clinical improvement suggest that carotid elongation might be a risk factor for poorer outcome without relevant effect on endovascular treatment and should not guide treatment decisions. Further studies should consider carotid elongation as an individual neurovascular risk factor, independent of hypertension.

Abstract Background and Purpose Flow diversion has become a key treatment option for complex intracranial aneurysms. Recent advancements include coated flow diverters (FDs), designed to potentially reduce the need for dual antiplatelet therapy, thereby removing the associated secondary risks while maintaining patency and low complication rates. Comparing coated and uncoated FDs may offer insights into long‐term outcomes and treatment optimization. Method In this retrospective single‐center study, we investigated the data of 21 consecutive patients with cerebral aneurysms, treated between 2021 and 2023 with the coated Derivo 2heal Embolization Device and the uncoated Derivo Embolization Device (both Acandis). We described the procedure and analyzed clinical and radiological data, along with long‐term outcomes after 18 months of follow‐up. Results Nine patients (42.9%) had incidental, while 12 (57.1%) had symptomatic aneurysms, including 10 with World Federation of Neurosurgical Societies classification IV subarachnoid hemorrhages. Aneurysm locations included mostly the internal carotid ( n = 9) and the vertebral artery ( n = 7). All FDs were successfully deployed: 11 patients received the coated and 10 the uncoated device. After 18 months, 73.3% of patients had favorable outcomes (modified Rankin Score 0‐2). One coated FD occluded asymptomatically after 6 months, and one uncoated FD occluded immediately but could be recanalized. Conclusions We observed favorable occlusion rates for both coated and uncoated FDs. The role of dual antiplatelet therapy remains debated. Large multicenter studies are essential to evaluate the patency of coated compared to uncoated FDs and determine whether they can reduce thrombogenicity, potentially allowing for less or no antiplatelet therapy in emergencies.

Abstract Introduction Ventriculoperitoneal shunts (VPS) are an essential part of the treatment of hydrocephalus, with numerous valve models available with different ways of indicating pressure levels. The model types often need to be identified on X‑rays to assess pressure levels using a matching template. Artificial intelligence (AI), in particular deep learning, is ideally suited to automate repetitive tasks such as identifying different VPS valve models. The aim of this work was to investigate whether AI, in particular deep learning, allows the identification of VPS models in cranial X‑rays. Methods 959 cranial X‑rays of patients with a VPS were included and reviewed for image quality and complete visualization of VPS valves. The images included four VPS model types: Codman Hakim ( n = 774, 81%), Codman Certas Plus ( n = 117, 12%), Sophysa Sophy Mini SM8 ( n = 35, 4%) and proGAV 2.0 ( n = 33, 3%). A Convolutional Neural Network (CNN) was trained using stratified five-fold cross-validation to classify the four VPS model types in the dataset. A finetuned CNN pretrained on the ImageNet dataset as well as a model trained from scratch were compared. The averaged performance and uncertainty metrics were evaluated across the cross-validation splits. Results The fine-tuned model identified VPS valve models with a mean accuracy of 0.98 ± 0.01, macro-averaged F1 score of 0.93 ± 0.04, a recall of 0.94 ± 0.03 and a precision of 0.95 ± 0.08 across the five cross-validation splits. Conclusion Automatic classification of VPS valve models in skull X‑rays, using fully automatable preprocessing steps and a CNN, is feasible. This is an encouraging finding to further explore the possibility of automating VPS valve model identification and pressure level reading in skull X‑rays.