使用不平衡时序深度高斯过程(iTDGP)预测缺血性卒中病灶
图像与视频处理
2022-11-17 v1 计算机视觉与模式识别
摘要
作为全球主要的死亡和致残原因之一,急性缺血性卒中(AIS)发生于供应脑部的血液因动脉阻塞而突然中断时。在AIS发作数秒内,阻塞动脉周围的脑细胞死亡,导致病灶进展。对现有病灶的自动化精确预测在AIS治疗规划和预防进一步损伤中起着至关重要的作用。当前标准的AIS评估方法是对从计算机断层扫描灌注(CTP)图像中提取的3D测量图进行阈值处理,其精度不足。鉴于此,我们在本文中提出不平衡时序深度高斯过程(iTDGP),一种可通过使用基线CTP时间序列改进AIS病灶预测的概率模型。我们提出的模型能有效从CTP时间序列中提取时间信息并将其映射到脑体素的类标签。此外,通过使用批量训练和体素级分析,iTDGP可从少数患者中学习,并对不平衡类别具有鲁棒性。而且,我们的模型集成了一个可利用空间信息提升预测精度的后处理器。我们在ISLES 2018和阿尔伯塔大学医院(UAH)数据集上的综合实验表明,iTDGP优于最先进的AIS病灶预测器,分别获得(交叉验证)Dice分数71.42%和65.37%,且p<0.05具有显著性。
引用
@article{arxiv.2211.09068,
title = {Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP)},
author = {Mohsen Soltanpour and Muhammad Yousefnezhad and Russ Greiner and Pierre Boulanger and Brian Buck},
journal= {arXiv preprint arXiv:2211.09068},
year = {2022}
}