使用基于深度学习的高分辨率磁共振来识别内和外与症状相关的斑块

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 心血管研究研究心血管研究

背景情况:

• 内和外斑块是中风风险的关键指标.
• 准确区分与症状相关的斑块对于有效的中风治疗和预防至关重要.
• 高分辨率血管壁成像 (HR-VWI) 提供了详细的斑块形态.

研究的目的:

• 开发和评估一个深度学习模型,使用HR-VWI来区分与症状相关的内和外斑块.
• 将深度学习模型的诊断性能与传统和放射学方法进行比较.
• 评估基于HR-VWI的深度学习对指导斑块管理的潜力.

主要方法:

• 从235名患者 (156名培训,79名测试) 的HR-VWI数据的回顾性分析.
• 开发和比较五个深度学习模型,其中DenseNet 201被选为特征提取.
• 集成传统和放射学特征,创建单一和组合的诊断模型.
• 使用接收机运行特征曲线和曲线下的面积 (AUC) 进行评估.

主要成果:

• 深度学习模型在区分与症状相关的斑块方面表现出最高的诊断性能.
• 组合模型,包括T1加权和深度学习特征 (T+D),表现良好,但没有超过单个深度学习模型.
• 性能最好的深度学习模型在斑块分化方面取得了卓越的准确性.

结论:

• 使用HR-VWI的深度学习模型在区分与症状相关的内和外斑块方面非常有效.
• 这种人工智能驱动的方法为斑块管理中的临床决策提供了宝贵的见解.
• 这些发现支持使用HR-VWI和深度学习来改善中风风险分层和预防.