基于灌注图像放射组学特征预测卒中患者侧支循环的深度学习方法
计算机视觉与模式识别
2021-10-26 v1
摘要
侧支循环源于专门的吻合通道，能够为缺血损伤导致血流受损的区域提供含氧血液。侧支循环的质量已被确定为决定良好临床结局可能性的关键因素，并在很大程度上决定了卒中救治模式的选择——即决定立即转运还是治疗符合条件的患者。尽管存在多种量化侧支血流的成像方法和分级标准，实际分级主要通过人工检查所获图像完成。该方法存在若干挑战。首先，耗时较长——临床医生需浏览多张图像切片以确定感兴趣区域，再决定为患者分配何种严重程度等级。其次，根据临床医生经验水平不同，最终分配给患者的等级存在高度偏倚与不一致倾向。我们提出一种基于从 MR 灌注数据提取的放射组学特征预测卒中患者侧支血流分级的深度学习方法。首先，我们将感兴趣区域检测任务表述为强化学习问题，并训练深度学习网络自动检测 3D MR 灌注体中的闭塞区域。其次，我们通过局部图像描述符与去噪自编码器从所得感兴趣区域提取放射组学特征。最后，我们将卷积神经网络及其他机器学习分类器应用于提取的放射组学特征，以自动将给定患者体数据的侧支血流分级预测为三个严重程度类别之一——无血流（0）、中等血流（1）和良好血流（2）……
引用
@article{arxiv.2110.12508,
title = {A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images},
author = {Giles Tetteh and Fernando Navarro and Johannes Paetzold and Jan Kirschke and Claus Zimmer and Bjoern H. Menze},
journal= {arXiv preprint arXiv:2110.12508},
year = {2021}
}