CT画像における説明可能な時系列特異的虚血性脳卒中分類のためのHounsfieldユニット変換の最適化

科学分野:

• 医用画像
• 医療における人工知能
• 神経学

背景:

• CTにおける正確な虚血性脳卒中分類は、画像の違いが微妙でスキャナーのばらつきがあるため困難です。
• 早期検出は、効果的な治療と患者の転帰にとって非常に重要です。

研究 の 目的:

• CT画像エンハンスメントパラメータの動的最適化のためのニューラルネットワークフレームワークを開発および検証すること。
• 虚血性脳卒中（超急性期、急性期、亜急性期、慢性期）の段階特異的分類を達成すること。

主な方法:

• Hounsfield Unit（HU）変換とCLAHEパラメータを最適化した畳み込みニューラルネットワーク（CNN）。
• トレーニングデータには、拡張処理を含む5つの段階にわたる1480のCTケースが含まれていました。
• 分類器（LR、SVM、RF）は、25回のクロスバリデーションで使用されました。解釈可能性はGrad-CAMを介して評価されました。

主要な成果:

• 最適化されたフレームワークは、すべての脳卒中段階において、静的パラメータよりも精度で大幅に優れた性能を発揮しました。
• Deep CLAHEは、静的CLAHEよりも高い精度（慢性期では例：0.9979）を達成しました。
• モデルの解釈可能性は、臨床的に関連性の高い領域に焦点を当て、段階認識パラメータ適応を確認しました。

結論:

• ニューラルネットワークによって最適化されたフレームワークは、優れた段階特異的な虚血性脳卒中分類を提供します。
• 解釈可能性の検証と病態生理学に合わせた適応は、透明で臨床的に実行可能なソリューションを提供します。
• このアプローチは、緊急時の脳卒中評価の精度と効率を向上させます。