تقسیم بندی خودکار ضایعات سکته مغزی ایسکمیک در نقشه های پرفیوژن CT با استفاده از شبکه های یادگیری عمیق

سکته مغزی را می توان سومین علت مرگ ومیر و بزرگ ترین عامل ناتوانی اکتسابی در سراسر جهان به شمار آورد. تقسیم بندی ضایعات سکته مغزی نقشی حیاتی را در بهبود، تشخیص، ارزیابی نتیجه و برنامه ریزی برای درمان پ ایفا می کند. رویکرد استاندارد فعلی که برای تقسیم بندی ضایعات سکته مغزی ایسکمیک وجود دارد بر اساس آستانه گذاری نقشه های پرفیوژن توموگرافی کامپیوتری (CTP)  است؛ با این حال، این رویکرد تشخیص به اندازه کافی دقیق نیست (ضریب تشابه تاس (DSC) حدود ۶۸ درصد است). بر همین اساس، تکنیک های متعدد مبتنی بر یادگیری ماشین بهتازگی برای بهبود صحت تقسیم بندی ضایعات سکته مغزی ایسکمیک پیشنهاد شده اند. اگرچه این مطالعهها به نتایجی جالب توجه دست یافته اند، هنوز باید قبل از استفاده در عمل بهبود یابند. این پژوهش تکنیکی جدید مبتنی بر یادگیری عمیق را برای تقسیم بندی ضایعات سکته مغزی ایسکمیک در نقشه های CTP ارائه می کند. معماری شبکه پیشنهادی شامل پنج لایه کانولوشنال گراف است که می تواند عمل انتخاب/استخراج ویژگی را به صورت خودکار انجام دهد و بردار ویژگی حاصل را طبقه بندی کند. در این مطالعه، از پایگاه داده ISLES ۲۰۱۸ به منظور آموزش شبکه پیشنهادی استفاده شده است. شاخص های ضریب تشابه تاس و ضریب جاکارد بر اساس مدل پیشنهادی بهترتیب ۴۱/۷۵ و ۵۲/۷۴ درصد هستند که در مقایسه با مطالعههای گذشته بهبودی جالب توجه داشتهاند. علاوه بر این، عملکرد مدل پیشنهادی در محیط های نویزی بسیار امیدوارکننده است؛ به طوری که در SNR=-۴، صحت شبکه هنوز هم بیشتر از ۶۰ درصد است.

کلیدواژه ها:

سکته مغزی ایسکمیک ، تصاویر سیتی ، شبکه های یادگیری عمیق ، شبکه های کانولوشنال عمیق