Искусственный интеллект может ускорить обнаружение инсульта

Своевременное обнаружение и точная сегментация очагов острого ишемического инсульта (AIS) на магнитно-резонансных изображениях (МРТ) имеют важное значение для пациента, проходящего лечение эндоваскулярной терапией. Сегментация поражения — это обычный процесс, в котором аномальные области на изображениях мозга качественно и вручную выбираются опытными рентгенологами. Однако ручная сегментация поражения занимает много времени и страдает от предвзятости оператора. Соответственно, эффективные и недорогие подходы к скринингу поражений AIS еще не внедрены.

Это исследование представляет новый и полностью автоматизированный метод обнаружения и сегментации поражений AIS на МРТ и классификации изображений по инсульту и без инсульта. Этот полностью автоматизированный метод обнаружения аномалий сравнивает диффузионно-взвешенные изображения (DWI) и видимые коэффициенты диффузии (ADC) изображений субъектов с группой здоровых изображений на уровне вокселей. Области с гиперинтенсивностью по DWI и гипоинтенсивностью по ADC идентифицируются как поражения и сохраняются как маски поражения. Метод сегментации поражения был исследован примерно в 100 случаях. Поскольку существует риск ложной идентификации поражения из-за артефактов, шумов и низкого разрешения изображения, маски поражения, созданные методом, экранируются и фильтруются с помощью двоичного классификатора, который либо подтверждает, что созданная маска поражения содержит реальное повреждение AIS, либо не. Эффективность классификации была оценена на около 200 МРТ.

Опубликованные результаты в Журнал нейробиологических методов показать хорошее согласие с нарисованными вручную повреждениями экспертами (золотой стандарт). Весь подход, включая сегментацию повреждений и классификацию изображений, прост, быстр и не требует высокой вычислительной мощности и памяти.

«Мы считаем, что этот метод может быть реализован на обычной настольной рабочей станции, интегрированной в рутинные клинические диагностические системы больниц. Такой подход может помочь рентгенологам ускорить рабочий процесс обнаружения поражения и уменьшить смещение оператора в поражении. Сегментация благодаря воспроизводимости метода », рассказывает исследователь проекта Саназ Назари-Фарсани из Турку ПЭТ Центра.

Своевременное обнаружение и точная сегментация очагов острого ишемического инсульта (AIS) на магнитно-резонансных изображениях (МРТ) имеют важное значение для пациента, проходящего лечение эндоваскулярной терапией. Сегментация поражения — это обычный процесс, в котором аномальные области на изображениях мозга качественно и вручную выбираются опытными рентгенологами. Однако ручная сегментация поражения занимает много времени и страдает от предвзятости оператора. Соответственно, эффективные и недорогие подходы к скринингу поражений AIS еще не внедрены.

Это исследование представляет новый и полностью автоматизированный метод обнаружения и сегментации поражений AIS на МРТ и классификации изображений по инсульту и без инсульта. Этот полностью автоматизированный метод обнаружения аномалий сравнивает диффузионно-взвешенные изображения (DWI) и видимые коэффициенты диффузии (ADC) изображений субъектов с группой здоровых изображений на уровне вокселей. Области с гиперинтенсивностью по DWI и гипоинтенсивностью по ADC идентифицируются как поражения и сохраняются как маски поражения. Метод сегментации поражения был исследован примерно в 100 случаях. Поскольку существует риск ложной идентификации поражения из-за артефактов, шумов и низкого разрешения изображения, маски поражения, созданные методом, экранируются и фильтруются с помощью двоичного классификатора, который либо подтверждает, что созданная маска поражения содержит реальное повреждение AIS, либо не. Эффективность классификации была оценена на около 200 МРТ.

Опубликованные результаты в Журнал нейробиологических методов показать хорошее согласие с нарисованными вручную повреждениями экспертами (золотой стандарт). Весь подход, включая сегментацию повреждений и классификацию изображений, прост, быстр и не требует высокой вычислительной мощности и памяти.

«Мы считаем, что этот метод может быть реализован на обычной настольной рабочей станции, интегрированной в рутинные клинические диагностические системы больниц. Такой подход может помочь рентгенологам ускорить рабочий процесс обнаружения поражения и уменьшить смещение оператора в поражении. Сегментация благодаря воспроизводимости метода », рассказывает исследователь проекта Саназ Назари-Фарсани из Турку ПЭТ Центра.