从扩散权重图像中对中风心脏病发作进行三维深度学习细分的临床性能评估
Freda Werdiger1,2, Vignan Yogendrakumar2, Milanka Visser1,2
1Department of Medicine, Dentistry and Health Sciences, The University of Melbourne, Melbourne, Australia.
Neuroimage. Reports
|June 26, 2025
概括
深度学习模型在亚急性缺血性中风中准确地细分扩散加权成像 (DWI) 心脏病发作. 临床审查证实了DenseNet模型.
科学领域:
- 神经学 神经学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 扩散加权成像 (DWI) 对于评估亚急性缺血性中风中的组织损伤至关重要.
- 由于疾病的可变性,对DWI心脏病发作的细分具有挑战性.
- 深度学习 (DL) 为DWI细分提供了一个有希望的解决方案,优于传统方法.
研究的目的:
- 开发和临床评估基于DL的DWI细分工具用于缺血性中风.
- 为了比较不同DL架构 (U-Net和DenseNet) 对于DWI心脏病细分的性能.
- 提供临床上有意义的绩效评估,以促进翻译.
主要方法:
- 在573名缺血性中风患者中,对DWI成像的回顾性分析.
- 使用U-Net和DenseNet架构开发DL细分模型.
- 根据子相似系数 (DSC) 选择表现最佳的模型.
- 临床专家对模型预测的准确性和一致性进行审查.
主要成果:
- 丹斯网模型实现了0.831 ± 0.064的优异DSC,超过了U-Net (DSC = 0.759 ± 0.122).
- 对于DenseNet模型的推理时间很快,为0.07秒.
- 与U-Net (79.3%) 相比,临床医生对DenseNet (83.8%) 的同意程度更高.
- 在评估DenseNet (87.9%) 与U-Net (72.7%) 时,临床医生之间的评价者间一致性也更高.
结论:
- 开发的DL DWI细分工具展示了高性能和临床实用性.
- 临床审查为DL模型翻译提供了必要的验证.
- 进一步的开发和前性研究计划用于临床部署.
- 这个工具可以帮助医生改善患者的预后评估.
