Deep Learning -Methode verbessert die Segmentierung des Gefäßes und der Plaque in der Schlaganfalldiagnose

Schlaganfall ist weltweit die zweithäufigste Todesursache. Der ischämische Schlaganfall, stark mit atherosklerotischen Plaques verbunden, erfordert eine genaue Segmentierung und Quantifizierung von Plaque und Gefäßwand für die endgültige Diagnose. Die herkömmliche manuelle Segmentierung bleibt jedoch zeitaufwändig und operatorabhängig, während aktuelle computergestützte Tools die für klinische Anwendungen erforderliche Genauigkeit nicht erreichen. Diese technologischen Engpässe behindern eine präzisere Diagnose und Behandlung von ischämischem Schlaganfall stark.

In einer Studie veröffentlicht in Europäische Radiologieein von Dr. Zhang NA von den Shenzhen Institutes of Advanced Technology (SIAT) der chinesischer Wissenschaftsakademie der Wissenschaften unter der Leitung von Dr. Zhang unter der Leitung von Mitarbeitern entwickelte Multi-Task-Segmentierungsmodell für die Segmentierungsmodelle mit strukturgestützten, zweistufigen Segmentierungsmethoden mit strukturgestützten, auf der Grundlage von strukturgesteuerten, MR-Vessel-Imaging-Imaging (MR) -M-Vessel-Vessel-Wall-Imagination. Dieser Ansatz ermöglicht automatisierte und genaue Segmentierung und quantitative Analyse von Karotis-arteriellen Gefäßlumen, Gefäßwänden und Plaques, die ein zuverlässiges diagnostisches Instrument mit AI-unterstütztem diagnostischen Instrument zur klinischen Risikobewertung des ischämischen Schlaganfalls bieten.

In dieser Studie besteht die vorgeschlagene Methode aus zwei wichtigen Schritten. Der erste Schritt besteht darin, ein rein lernbasiertes Faltungsnetz (CNN) mit dem Namen VESSEL-SEGNET zu konstruieren, um die Lumen- und Schiffswand zu segmentieren. Der zweite Schritt nutzt Schiffe Wand-Priors-spezifisch, manuelle Priors und automatische Priors auf Tversky-Verlustbasis, um die Plaque-Segmentierung zu verbessern, indem die morphologische Ähnlichkeit zwischen der Gefäßwand und der atherosklerotischen Plaque verwendet wird.

Diese Studie umfasste Daten von 193 Patienten mit atherosklerotischer Plaque in fünf Zentren, die alle eine T1-gewichtete Magnetresonanztomographie (MRT) unterzogen hatten. Der Datensatz wurde in drei Untergruppen unterteilt: 107 Patienten für Training und Validierung, 39 für interne Tests und 47 für externe Tests.

Experimentelle Ergebnisse zeigten, dass die meisten Würfel -Ähnlichkeitskoeffizienten (DSC) für die Lumen- und Gefäßwandsegmentierung 90%überstiegen. Der Einbau von Gefäßwandprioren verbesserte den DSC für die Plaque -Segmentierung um über 10%und erreichte 88,45%. Darüber hinaus erhöhten Priors auf Tversky-Verlustbasis im Vergleich zu Priors mit Würfelverlust die DSC um fast 3%und erreichten 82,84%.

Im Gegensatz zu manuellen Methoden bietet die vorgeschlagene Technik eine genaue automatisierte Plaque -Segmentierung und vervollständigt eine quantitative Plaque -charakteristische Bewertung für einen einzelnen Patienten in weniger als 3 Sekunden.

Das Ziel unserer Forschung ist es, KI-Modelle zu nutzen, um genaue, reproduzierbare und klinisch relevante quantitative Ergebnisse zu erzeugen, die Angehörige der Gesundheitsberufe bei der Schlaganfalldiagnose und der therapeutischen Entscheidungsfindung unterstützen können. „

Dr. Zhang NA, Shenzhen Institutes der fortschrittlichen Technologie

Dr. Zhang fügte hinzu: „In Zukunft müssen wir zusätzliche Studien mit anderen Geräten, Populationen und anatomischen Analysen durchführen, um die Zuverlässigkeit der Forschungsergebnisse weiter zu validieren.“

Quellen: