利用深度学习模型从 CT 影像预测取栓再通
图像与视频处理
2024-04-19 v2 计算机视觉与模式识别
摘要
对于患有大血管闭塞的急性缺血性卒中（AIS）患者，临床医生必须判断机械取栓（MTB）的获益是否超过侵入性操作后风险与潜在并发症。治疗前计算机断层扫描（CT）与血管造影（CTA）被广泛用于刻画脑血管中的闭塞情况。若患者被认为符合条件，将采用改良治疗脑梗死溶栓（mTICI）评分来分级 MTB 过程中及之后血流重建的程度。对成功再通可能性的估计可支持治疗决策。在本研究中，我们提出了一种利用治疗前 CT 与 CTA 影像全自动预测患者再通评分的方法。我们设计了一种空间交叉注意力网络（SCANet），其利用视觉 transformer 定位相关切片与脑区。我们的最优模型取得了 77.33 3.9\% 的平均交叉验证 ROC-AUC。这是一个有前景的结果，支持未来在 CT 与 CTA 上应用深度学习以识别适合 MTB 的 AIS 患者。
引用
@article{arxiv.2302.04143,
title = {Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models},
author = {Haoyue Zhang and Jennifer S. Polson and Eric J. Yang and Kambiz Nael and William Speier and Corey W. Arnold},
journal= {arXiv preprint arXiv:2302.04143},
year = {2024}
}
备注
Medical Imaging with Deep Learning 2022 accepted short paper Jun 2022