機械学習を用いた不全性脳卒中または一時性不全性脳卒中におけるフリュード減弱逆転回復MRIにおけるファゼカススケールの自動評価

科学分野:

• 神経学
• 医療用イメージング
• 人工知能

背景:

• 白質過濃度 (WMH) は脳卒中患者の重要なイメージングバイオマーカーであり,通常は主観的なFazekasスケールで評価されます.
• WMHの格付けのための既存のディープラーニングモデルは,脳卒中集団での応用が限られています.

研究 の 目的:

• 脳卒中患者のWMHセグメンテーションとFazekasスケール格付けのための自動化されたディープラーニングパイプラインを開発し,検証する.
• WMHの評価の精度を高めるために空間的確率論的方法を使用する.

主な方法:

• 2段階のディープラーニングパイプラインが作成され,WMHセグメンテーションのためのU-Netベースの残留ニューラルネットワークとFazekasグレードの3Dコンボリューションニューラルネットワークを使用しました.
• モデルは3つのデータセットで 471人の脳卒中患者のT2重 FLAIR画像で訓練され,検証されました.

主要な成果:

• WMHセグメンテーションモデルは,AUPRC 0.81とダイス係数 0.73を達成しました. WMHの体積予測の平均絶対誤差は3.1 mlでした.
• 合意分析では強い一致性が見られた (R^2=0. 91,内部CCC=0. 96).
• ディープラーニングモデルは,Fazekasスコア予測において高二次加重のkappa値 (0. 951- 0. 956) を達成し,内部および外部検証において堅実なパフォーマンスを示した.

結論:

• 開発されたディープラーニングパイプラインは,脳卒中患者の正確な効率的な自動WMHセグメンテーションとFazekasスケール格付けを提供します.
• この自動化されたアプローチは,WMHの負担を評価し,将来の血管疾患を予測するための信頼できるツールとして機能します.