在DWI中使用深度学习细分模型和图像增强策略来预测急性中风区域的Voxel级密度预测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 精确的中风区域分类对于有效的治疗至关重要.
• 扩散权重成像 (DWI) 是检测急性缺血性中风的一个关键模式.
• 当前的分类方法可能会从先进的计算方法中受益.

研究的目的:

• 开发一个多类细分模型来分类DWI中的中风地区.
• 为了利用voxel-wise密集的预测来准确识别中风区域.
• 评估图像预处理技术对模型性能的影响.

主要方法:

• 对218名急性缺血性中风患者的DWI扫描进行了回顾性分析.
• 培训基于U-Net的深度学习网络,以对voxel进行细分.
• 应用多数投票来将voxel预测转换为患者级别的分类.
• 调查N4偏差场校正和公共空间注册的影响.

主要成果:

• 该模型与原始图像实现了0.77的精度.
• N4偏差校正图像提高了准确度,达到0.80.
• 偏差纠正和注册的图像产生了最高的精度0.83.
• 这项研究包括141例前部和77例后部中风病例.

结论:

• 基于voxel的密集预测模型提高了中风区域分类的准确性.
• 偏差场校正和注册是提高性能的关键预处理步骤.
• 了解目标域属性对于成功的医学成像深度学习模型设计至关重要.