基于目标的深度学习网络监测非对比计算机断层扫描用于急性缺血性中风的小心肌梗塞核心
Hang Qu1, Hui Tang2, Dong-Yang Gao3
1Department of Radiology, Affiliated Hospital of Yangzhou University, Yangzhou, Jiangsu Province, China.
一种新的深度学习模型准确地识别了急性缺血性中风 (AIS) 患者的CT扫描中的小心脏病核心. 这种人工智能工具提高了诊断准确度,并有助于评估疾病严重程度,以获得更好的治疗指导.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 急性缺血性中风 (AIS) 的快速诊断对于患者的治疗结果至关重要.
- 在非对比增强CT (NECT) 图像上识别小心脏病核心是一个诊断挑战.
研究的目的:
- 开发和评估一种深度学习模型,用于在AIS患者的NECT图像上自动识别心脏病核心.
- 该模型的具体目标是准确检测小心脏病发作.
主要方法:
- 使用AIS患者的NECT扫描,开发了一个修改后的YOLOv5深度学习模型.
- 模型的性能与DWI扫描进行了评估,并与神经放射学家的评估进行了比较.
- 协议被评估使用类内相关系数 (ICC) 和加权的kappa.
主要成果:
- 与原始YOLOv5.5模型相比,修改后的YOLOv5模型显示了更好的精度 (0.82),回忆 (0.81),和平均平均精度 (0.79).
- 该模型与DWI-ASPECTS得分 (ICC=0.669, κ=0.447) 的一致性比神经放射学家 (ICC=0.452, κ=0.247) 的一致性更高.
- 与人类阅读器相比,自动化模型表现出更高的灵敏度 (75.86%),特异性 (98.87%) 和准确性 (96.20%).
结论:
- 深度学习模型在CT图像上准确地检测小心脏病核心.
- 这种人工智能工具提供了心脏病发作的程度和部分,对评估疾病严重程度和指导治疗非常有价值.
更多相关视频
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
相关概念视频
Imaging Studies for Cardiovascular System IV: CMRI
Imaging Studies for Cardiovascular System V: CT
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Imaging Studies VII: Vascular Imaging
Ischemic Stroke l: Introduction
Transient Ischemic Attack l: Introduction
