在扩散权重MRI上对缺血性中风区域的深度学习分类:通过图像转换来增强输入的附加值
Ilker Ozgur Koska1,2, Alper Selver3,4,5, Fazil Gelal6
1Department of Radiology, Behçet Uz Children's Hospital, Izmir, Turkey. ozgurkoska@yahoo.com.
Journal of imaging informatics in medicine
|September 30, 2024
概括
这项研究开发了一种AI分类器,以在扩散权重成像 (DWI) 中快速识别中风地区,改善患者对中风中心的分拣. 人工智能模型在分类中脑动脉,后循环和流域心脏病发作方面取得了很高的准确性.
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:
- 准确和快速的中风区域识别对于及时治疗和改善患者结果至关重要.
- 扩散权重成像 (DWI) 是检测急性缺血性中风的一个关键模式.
- 人工智能为自动化和加快医疗图像分析提供了潜力.
研究的目的:
- 开发和评估患者级AI分类器,用于在DWI中检测中风区域.
- 为了促进急性缺血性中风患者的快速分拣到专门的中风中心.
- 为了比较不同AI模型架构和输入数据增强的性能.
主要方法:
- 从两个中心收集了393名急性缺血性中风患者的DWI图像.
- 使用预训练的MobileNetV2和EfficientNetB0架构进行分类.
- 探索各种输入组合,包括边缘地图,值和硬注意力.
- 增强了三通道输入,并使用ROC分析和混矩阵指标分析了分类性能.
主要成果:
- 移动作物模型以0.95准确度和0.91平均F1分数表现出优异的性能,用于切片式分类.
- 在外部测试套件上达到0.88准确度和0.92的平均曲线下面积 (AUC).
- 成功地分类了中风区域,包括中脑动脉,后循环和流域心脏病发作.
结论:
- 经过修改的预训练人工智能模型,加上图像转换,可以准确地分类DWI中的中风区域.
- 这种人工智能驱动的方法可以显著提高中风选的速度和准确性.
- 开发的分类器有望改善中风护理中的临床工作流程.
