基于深度学习从原始CT灌注及诊治参数预测最终梗死体积
计算机视觉与模式识别
2019-10-21 v2 医学物理
摘要
CT灌注（CTP）成像在急性卒中诊断中日益重要。传统的灌注分析对测量值进行解卷积并对灌注参数设定阈值以确定组织状态。我们采用一种数据驱动且无需解卷积的方法，其中深度神经网络直接从原始CTP图像以及诸如时间参数和治疗的元数据学习预测最终梗死体积。这将使临床医生能够模拟各种治疗方案，并洞察随时间预测的组织状态。我们在多中心数据集上证明，我们的方法能够预测最终梗死并有效利用元数据。消融研究表明，使用原始CTP测量值而非解卷积后的测量值可改善预测。
引用
@article{arxiv.1812.02496,
title = {Prediction of final infarct volume from native CT perfusion and treatment parameters using deep learning},
author = {David Robben and Anna M. M. Boers and Henk A. Marquering and Lucianne L. C. M. Langezaal and Yvo B. W. E. M. Roos and Robert J. van Oostenbrugge and Wim H. van Zwam and Diederik W. J. Dippel and Charles B. L. M. Majoie and Aad van der Lugt and Robin Lemmens and Paul Suetens},
journal= {arXiv preprint arXiv:1812.02496},
year = {2019}
}
备注
Accepted for publication in Medical Image Analysis