Cuantificación robusta del volumen cerebral afectado a partir de la perfusión de la tomografía computarizada: un...

Área de la Ciencia:

• Imágenes neurológicas
• La inteligencia artificial médica
• Imágenes del accidente cerebrovascular

Sus antecedentes:

• La estimación volumétrica precisa del tejido cerebral afectado en el accidente cerebrovascular isquémico agudo (AIS) es crítica para las decisiones de tratamiento.
• El software comercial para el análisis de perfusión por tomografía computarizada (CTP) tiene limitaciones, incluida la variabilidad debido a la calidad de la imagen.
• Los métodos existentes pueden no proporcionar predicciones suficientemente sólidas del núcleo y la penumbra del infarto.

Objetivo del estudio:

• Desarrollar y validar un modelo híbrido de aprendizaje profundo (DL) y aprendizaje automático (ML) para una estimación volumétrica precisa y robusta de los volúmenes cerebrales afectados en AIS utilizando CTP.
• Comparar el rendimiento del modelo híbrido propuesto con una solución de software comercial líder (RapidAI).

Principales métodos:

• Se desarrolló un enfoque híbrido que integra la descomposición de valor singular (SVD), DL (CNN) y ML.
• Un modelo de CNN predijo ocho puntos de referencia vasculares de 449 imágenes de CTP de pacientes con AIS.
• Los métodos basados en SVD generaron mapas de perfusión y los resultados se compararon con RapidAI utilizando coeficientes de correlación de concordancia (CCC) y métricas de precisión.

Principales resultados:

• El modelo CNN logró un error medio de distancia euclidiana de 4,63 ± 2,00 mm para la localización del vaso.
• El modelo híbrido logró puntuaciones de CCC de 0,905 para el flujo sanguíneo cerebral (CBF) < 30% y 0,879 para Tmax > 6 s, superando a la versión sin ML.
• La precisión general de la evaluación de los datos para el modelo híbrido alcanzó 0,8.

Conclusiones:

• El modelo híbrido DL y ML propuesto ofrece un método robusto y preciso para la estimación volumétrica en el análisis de CTP para AIS.
• Este enfoque demuestra un mejor rendimiento y robustez en comparación con el software comercial actual, lo que potencialmente mejora la toma de decisiones clínicas.