基于多模式CT输液的深度学习,用于预测在完整和无再通道化场景中的中风损伤结果
Hongxi Yang1, Yasmeen George1, Deval Mehta1
1From the Faculty of Information Technology, Monash University, Melbourne, Australia (H.Y., Y.G., D.M., C.B., Z.G.), Sydney Brain Centre, School of Clinical Medicine, University of New South Wales, Sydney, Australia; Ingham Institute of Applied Medical Research, Sydney, Australia; and Liverpool Hospital, Sydney, Australia (L.L., C.C., J.S., M.P.), and Apollo Medical Imaging Technology Pty. Ltd., Melbourne, Australia (D.Y., K.L., Q.Y.).
深度学习模型准确地预测急性缺血性中风 (AIS) 患者的最终损伤体积,优于传统方法. 这有助于个性化治疗决策的再注射疗法.
科学领域:
- 神经学 神经学
- 放射学 放射学是一门学科.
- 人工智能在医学中的应用
背景情况:
- 在急性缺血性中风 (AIS) 中,准确预测最终的损伤位置和体积对于有效的临床管理至关重要.
- 目前用于估计损伤结果的CT输液 (CTP) 成像方法存在局限性.
- 深度学习模型为AIS中改进的结果预测提供了一个有希望的替代方案.
研究的目的:
- 开发和评估专门的深度学习模型,用于预测AIS患者最终心脏病变的病变.
- 在成功的再输血 (完整的再通道化,CR) 的情况下预测心脏病核心.
- 在不成功的再输液 (没有再通道,NR) 的情况下,预测联合核心-半阴影区域.
主要方法:
- 开发使用CTP参数图的单模和多模深度学习模型.
- 在多中心数据集上训练和评估模型,将患者分为CR (n=350) 和NR (n=138) 组.
- 使用五倍交叉验证进行可靠的模型评估.
主要成果:
- 多模 3D nnU-Net 模型实现了卓越的性能,平均子得分为 35.36% (CR) 和 50.22% (NR).
- 这种深度学习方法显著优于传统的基于值的方法 (CR的Dice分数为15.73%,NR为39.71%).
- 与现有的临床方法相比,这些模型提供了更准确的结果估计.
结论:
- 开发的深度学习模型准确地估计了AIS中成功和不成功的再注射的潜在治疗结果.
- 这一进步可以更好地评估治疗资格和潜在益处,促进个性化治疗建议.
- 该方法通过提供比传统方法更精确的组织结果预测来增强AIS管理中的临床决策.
更多相关视频
05:32Author Spotlight: Assessing Ischemic Stroke Damage Through Middle Cerebral Artery Occlusion Model
Published on: August 11, 2023
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
