结合无监督与监督学习预测最终卒中病灶

预测最终缺血性卒中病灶可提供关于可挽救低灌注组织体积的关键信息，有助于医生在治疗方案规划与干预的艰难决策过程中作出判断。治疗选择受临床诊断影响，而诊断需要勾画卒中病灶，并利用神经影像采集刻画脑血流动力学。然而，由于病灶大小、形状、位置的可变性以及缺血性卒中发生后潜在的脑血流动力学过程，预测最终卒中病灶是一项复杂任务。此外，由于卒中与治疗之间的 elapsed time 与脑组织丢失相关，评估和预测最终卒中病灶需在短时间内完成，这使任务更为复杂。因此，亟需能够预测最终卒中病灶并辅助医生治疗决策的自动方法。我们提出一种基于无监督与监督学习的全自动深度学习方法，用于预测90天后的最终卒中病灶。我们的目标是考虑可能影响预测的潜在脑血流动力学，预测最终卒中病灶的位置与范围。为此，我们提出一种双分支受限玻尔兹曼机，从不同的标准参数磁共振成像图谱集合中提供专门的数据驱动特征。这些数据驱动特征图随后与参数磁共振成像图谱结合，并输入到卷积与循环神经网络架构中。我们在公开可用的ISLES 2017测试数据集上评估了我们的方案，达到了0.38的Dice分数、29.21 mm的豪斯多夫距离和5.52 mm的平均对称表面距离。