在DW-MRI中对缺血性中风患者受影响区域的端到端深度学习患者级分类

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:

• 脑中风的诊断依赖于对受影响的大脑区域的准确识别.
• 扩散加权成像 (DWI) 对于检测急性缺血性中风至关重要.
• 手动对中风区域进行分类可能会耗时,并且受观察者之间的变化影响.

研究的目的:

• 开发和评估一个端到端的深度学习 (DL) 模型,用于在中风患者的DWI扫描中自动分类受影响地区.
• 为了将DL模型的性能与放射科医生分类进行比较.

主要方法:

• 一项回顾性多中心研究包括来自三个中心的624个DWIMRI.
• 四名放射科医生将图像标记成五个类别:前脑动脉 (ACA),中脑动脉 (MCA),后循环 (PC) 和分水 (WS) 区域,以及正常图像.
• 使用了各种DL架构,包括3D CNN和LSTM-CNN,其中一些将临床信息作为域知识.

主要成果:

• 性能最好的模型是基于切片的并行编码模型,达到0.88平衡精度,0.80宏F1得分和0.98AUC.
• 整合临床领域知识进一步提高了性能,达到0.93的最佳整体准确度.
• DL模型的性能与放射科医生之间的评价者间协议 (平均卡帕值为0.87) 相似.

结论:

• 端到端的深度学习模型在DWI中对受中风影响的区域进行分类方面表现出高效.
• 开发的DL模型,特别是具有并行流编码策略的DL模型,显示了与专家放射科医生可比的性能.
• 这种自动化分类系统具有提高中风诊断效率和准确性的巨大潜力.