开发用于识别脑 CT 上急性缺血性卒中病灶的深度学习方法
图像与视频处理
2023-10-02 v1 计算机视觉与模式识别
医学物理
摘要
计算机断层扫描 (CT) 常用于急性缺血性卒中 (AIS) 患者的成像，但其由放射科医生解读耗时且存在观察者间差异。深度学习 (DL) 技术可提供自动化的 CT 脑扫描评估，但通常需标注图像。为使用来自 AIS 患者的已标记但未标注的 CT 脑扫描开发一种用于 AIS 的 DL 方法，我们设计了一种基于卷积神经网络的 DL 算法，使用来自第三次国际卒中试验 (IST-3) 的常规收集的 CT 脑扫描，这些扫描并非通过严格研究方案获取。该 DL 模型旨在检测 AIS 病灶并分类受影响的脑侧别。我们探究了 AIS 病灶特征、背景脑表现以及时间对 DL 性能的影响。在 2347 名 AIS 患者（中位年龄 82）的 5772 份唯一 CT 扫描中，据专家标记 54% 具有可见 AIS 病灶。我们性能最佳的 DL 方法在病灶存在与侧别上达到了 72% 准确率。较大病灶（80% 准确率）或多发病灶（两个病灶 87% 准确率，三个及以上 100% 准确率）被更好检测。随访扫描准确率为 76%，而基线扫描为 67%。慢性脑部疾病降低了准确率，尤其是非卒中病灶与陈旧卒中病灶（错误率分别为 32% 与 31%）。DL 方法可利用大量常规收集的 CT 脑扫描数据设计用于 CT 上的 AIS 病灶检测。最终，这将催生更鲁棒且更广适用的方法。
引用
@article{arxiv.2309.17320,
title = {Development of a Deep Learning Method to Identify Acute Ischemic Stroke Lesions on Brain CT},
author = {Alessandro Fontanella and Wenwen Li and Grant Mair and Antreas Antoniou and Eleanor Platt and Paul Armitage and Emanuele Trucco and Joanna Wardlaw and Amos Storkey},
journal= {arXiv preprint arXiv:2309.17320},
year = {2023}
}
备注
12 pages, 5 figures