一个基于深度学习和放射学的阿尔伯塔中风计划早期CT评分方法在CTA上评估急性缺血性中风

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 阿尔伯塔中风计划早期CT评分 (ASPECTS) 对于评估急性缺血性中风的早期缺血性变化至关重要.
• 基于医生的ASPECTS评估面临的挑战是观察者之间的显著差异.
• 准确的ASPECTS评分指导关键的治疗决策和预后判断.

研究的目的:

• 开发一种结合深度学习和放射学的自动化方法,以提高ASPECTS的准确性和一致性.
• 为了减少急性缺血性中风的ASPECTS评分的观察者之间的变化.
• 帮助医生更准确,更全面地检测中风.

主要方法:

• 利用了改进的编码解码深卷积神经网络,用于精确的脑区细分.
• 采用Pyradiomics提取和选择与脑梗塞相关的放射性特征.
• 训练有素的机器学习分类器使用精选的放射性特征来识别每个大脑区域的梗塞.

主要成果:

• 在大脑区域细分方面获得0.79的子系数.
• 确定了用于脑梗塞检测的三个可靠的放射性特征.
• 自动化的ASPECTS方法与医生得分有很强的一致性 (类内相关系数=0.86).
• 在中风检测方面实现了高预测性能 (AUC = 0.95).

结论:

• 与传统方法相比,深度学习提供了优越的大脑区域细分.
• 基于放射学的分类器显示了协助临床医生进行中风检测的潜力.
• 这种自动化方法可以显著提高ASPECTS评分的一致性和准确性.