2020年11月29日-研究人員在周日的演講中討論了如何使用深度學(xué)習(xí)算法在彌散加權(quán)MRI(DWI-MRI)檢查中對(duì)急性缺血性中風(fēng)患者進(jìn)行腦梗塞的嚴(yán)重性檢測，量化和評(píng)估在虛擬RSNA 2020會(huì)議上。

由韓國首爾延世大學(xué)主持人Seung Hyun Hwang主持的一組研究人員開發(fā)了一種深度學(xué)習(xí)模型，該模型可以使用DWI-MRI分割和量化腦梗死，然后通過分析表觀擴(kuò)散系數(shù)(ADC)圖來評(píng)估其嚴(yán)重程度病變。在測試中，該模型實(shí)現(xiàn)了高靈敏度和特異性。

Hwang說：“我們研究的定性和定量結(jié)果顯示了檢測和定量梗塞的可行性。”

Hwang說，由于DWI-MRI對(duì)檢測小面積和早期梗塞的敏感性，通常用于評(píng)估急性缺血性中風(fēng)。ADC圖也可以用作急性梗死的參考。

他說：“但是，僅依靠ADC值是危險(xiǎn)的，因?yàn)锳DC值通常是在臨床實(shí)踐過程中的單個(gè)時(shí)間點(diǎn)獲取的。”

為了開發(fā)基于深度學(xué)習(xí)的自動(dòng)梗塞分割模型，研究人員首先收集了2015年1月至2019年5月在其所在機(jī)構(gòu)接受治療的394例急性梗死患者的DWI和ADC圖。在這些數(shù)據(jù)集中，有216個(gè)用于訓(xùn)練，而24個(gè)用于驗(yàn)證。剩下的154個(gè)數(shù)據(jù)集被留作模型測試。

Hwang表示，該團(tuán)隊(duì)選擇以集成方法使用改進(jìn)的U-Net卷積神經(jīng)網(wǎng)絡(luò)，以提高在小病變上的性能。在對(duì)梗塞進(jìn)行分割之后，該算法隨后基于對(duì)病變ADC圖的分析來測量梗塞嚴(yán)重程度。

因此，將梗塞分為四類之一：無中風(fēng)癥狀，輕度中風(fēng)，中度中風(fēng)和重度中風(fēng)。ADC值大于620用作“無中風(fēng)癥狀”類別的閾值;其他類別閾值以100個(gè)ADC值的間隔設(shè)置。

在測試中，該算法得出：

平均骰子系數(shù)：0.85

排除極小的病變時(shí)的平均骰子系數(shù)：0.89