组装方法提高了疑似急性缺血性中风的分类,使用卷积神经网络和脑MRI
Daisuke Oura1,2, Masayuki Gekka3, Hiroyuki Sugimori4
1Department of Radiology, Otaru General Hospital, Otaru, 047-0152, Japan.
Radiological physics and technology
|November 7, 2023
概括
结合四种MRI类型的新组合成像方法显著改善了自动急性缺血性中风诊断的准确性. 这种深度学习方法优于传统的伪色彩地图用于中风分类.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 准确及时诊断急性缺血性中风 (AIS) 对有效治疗至关重要.
- 目前的诊断方法在速度和准确性方面存在局限性.
- 深度学习为医疗图像的自动化分析提供了潜力.
研究的目的:
- 评估一种新的组合成像方法的有效性,用于基于深度学习的AIS诊断.
- 将组装方法的性能与伪色图 (pCM) 方法进行比较.
- 评估结合多个MRI序列的实用性,以改善中风分类.
主要方法:
- 通过结合扩散加权成像 (DWI),流体减弱反转恢复 (FLAIR),动脉旋转标记 (ASL) 和明显扩散系数 (ADC) 序列,创建了一个组合图像.
- 使用FLAIR,ASL和ADC序列生成了一个伪色图 (pCM).
- 在473名AIS患者的数据集上,使用组合图像和pCM进行了深度学习模型的训练和测试.
- 患者数据包括机械血栓切除术,保守治疗,出血和其他疾病的分类.
主要成果:
- 与pCM (0.54 ± 0.05) 相比,组装图像方法实现了显著更高的精度 (0.76 ± 0.01).
- 组合图像的曲线下的面积 (AUC) 比pCM (0.76 ± 0.01) 显著更好 (0.94 ± 0.01).
- 组装方法在将AIS患者分为不同的治疗类别方面表现出卓越的表现.
结论:
- 组装成像方法对基于深度学习的自动AIS诊断非常有效.
- 这种新的方法克服了与pCM方法相关的局限性.
- 组装技术显示出显著的潜力,以提高临床决策在急性缺血性中风管理.
