多分类深度学习方法用于诊断中风类型和严重程度,使用多模态磁共振图像
Sahar Felehgari1, Payam Sariaslani1,2, Sepideh Shamsizadeh3
1Neuroscience Research Center, Health Policy and Promotion Institute, Kermanshah University of Medical Sciences, Kermanshah, Iran.
Journal of medical signals and sensors
|May 12, 2025
概括
这项研究引入了先进的卷积神经网络 (CNN) 用于中风诊断,准确地分类中风类型并使用扩散权重MRI预测严重程度. 这些发现支持CNN作为中风管理中临床决策的有价值工具.
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:
- 准确的中风诊断和严重程度评估对于有效的治疗选择至关重要,包括缺血性中风的血栓抑制剂和出血性中风的抗凝剂.
- 扩散权重磁共振成像 (DWI) 在可视化中风相关变化方面发挥着关键作用.
- 卷积神经网络 (CNN) 为医疗图像的自动化分析提供了潜力.
研究的目的:
- 开发和评估CNN模型,以区分健康的大脑组织与中风,分类中风类型 (缺血与出血),并预测中风严重程度.
- 将新型CNN架构 (ACL-ResNet-50,ACL-MobileNetV1) 与基线转移学习模型的性能进行比较.
- 评估这些模型作为中风管理决策支持工具的实用性.
主要方法:
- 利用了来自143名患者的扩散权重磁共振成像 (DWI) 数据 (85名缺血患者,58名出血患者).
- 开发了两个基于转移学习的CNN模型:添加了CNN层-ResNet-50 (ACL-ResNet-50) 和添加了CNN层-MobileNetV1 (ACL-MobileNetV1).
- 使用精度,灵敏度,特异性和曲线下的面积 (AUC) 评估模型性能,用于中风分类和严重性预测 (NIHSS分数).
主要成果:
- 在分类中风类型 (正常,缺血性,出血性) 方面,ACL-MobileNetV1实现了98%的准确性,99%的灵敏性,98%的特异性和99%的AUC.
- ACL-ResNet-50在预测缺血性中风严重程度 (NIHSS范围) 中表现最佳,准确度为0.92,灵敏度为0.84,特异性为0.92,AUC为0.95.
- 两种拟议的模型都采用了增强的CNN层,表现优于基线模型,只取代了最后一层.
结论:
- 拟议的基于CNN的方法有效地使用多模式MRI图像对中风类型和严重程度进行分类.
- 这些模型显示出作为实际决策支持工具的承诺,以帮助临床医生在中风治疗决策中.
- 进一步验证可以将这些AI工具集成到常规的临床工作流程中,以改善中风护理.
更多相关视频
09:59A Magnetic Resonance Imaging Protocol for Stroke Onset Time Estimation in Permanent Cerebral Ischemia
Published on: September 16, 2017
14.0K
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
1.2K
