基于深度学习的DWI-ASPECTS对急性缺血性中风的自动评估

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计算机断层扫描分数 (ASPECTS) 是评估急性缺血性中风早期缺血性变化的标准.
• 目前的ASPECTS评分是主观的,导致读者之间的变化,并影响临床决策.
• 需要客观和可靠的方法来早期评估中风.

研究的目的:

• 开发一种使用扩散权重成像 (DWI) 的自动化ASPECTS评分模型.
• 提高临床实践中ASPECTS评分的准确性和一致性.
• 帮助临床医生为急性缺血性中风患者制定及时和精确的治疗计划.

主要方法:

• 从U-net中增强的深度学习网络被设计用于对ASPECTS评分相关的大脑区域进行细分.
• 使用混合分类器:用于大脑区域的灰度比较算法和用于较小区域的混合特征训练.
• 该模型是通过82名中风患者的数据进行训练和验证的.

主要成果:

• 自动细分实现了后脑的平均DICE系数为0.864.
• 混合分类器在区域级和二分制的ASPECTS评分中都表现出显著的表现.
• 该模型在测试组件上获得了95.51%的灵敏度和93.43%的准确性.
• 与专家读数相比,对于二分化的ASPECTS观察到0.87的类内相关系数 (ICC).

结论:

• 基于DWI的自动化ASPECTS评分模型已成功开发用于急性缺血性中风.
• 提出的细分-然后-分类方法被证明是有效和可靠的.
• 这种自动化系统有可能在早期中风评分和诊断方面显著帮助医生.