扩散/透加权成像融合,在4.5小时内自动识别中风

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 准确和及时的中风鉴定对于有效的治疗至关重要.
• 机器学习 (ML) 模型有可能提高急性中风的诊断准确性.
• 整合扩散权重成像 (DWI) 和 perfusion-weighted imaging (PWI) 可能可以提高中风检测.

研究的目的:

• 开发和比较基于扩散和透加权成像融合 (DP融合) 的ML模型,用于在4.5小时内识别中风.
• 对基于DWI和/或PWI的ML模型进行DP融合ML模型的评估.
• 创建和评估用于中风识别的自动分段分类模型 (X-Net).

主要方法:

• 开发了ML模型,使用来自急性中风患者的多模式MRI数据.
• 采用手动细分,注册,DP融合和特征提取.
• 已建立的物流回归 (LR) 和支持向量机 (SVM) 模型,以及拟议的X-Net细分分类型模型.
• 使用AUC,灵敏度,子系数,决策曲线分析和校准曲线来评估性能.

主要成果:

• 在DP融合模型中,确定中风发作时间的AUC最高 (LR:0.91,SVM:0.90在测试组中).
• 在DP融合-LR模型中,通过良好的校准,在风险门上显示出优异的净收益 (平均绝对误差:0.049).
• 该X-Net模型实现了高子系数 (DWI:0.81,Tmax:0.83) 和类似于手动标签的性能 (AUC:0.84).

结论:

• 基于DP融合的ML模型对于在4.5小时内识别中风非常有效.
• 自动X-Net模型在细分急性中风病变方面表现出强大的性能.
• 这些先进的成像融合和ML技术可以帮助急性中风患者的临床决策,特别是那些未知发病时间的患者.