تشخیص تنگی شریان های داخل جمجمه در آنژیوگرافی توموگرافی کامپیوتری مغز با استفاده از هوش مصنوعی: توسعه و ارزیابی یک الگوریتم یادگیری عمیق

سکته مغزی از مهم ترین علل مرگ ومیر و ناتوانی دائمی در سراسر جهان به شمار می رود و بخش قابل توجهی از این موارد ناشی از تنگی شریان های داخل جمجمه است که در صورت تشخیص دیرهنگام، احتمال بروز آسیب های شدید عصبی و کاهش کیفیت زندگی بیماران را افزایش می دهد (Caplan, ۱۹۸۹؛ Wityk et al., ۱۹۹۸؛ Chimowitz et al., ۲۰۰۵؛ Powers et al., ۲۰۱۹). ازاین رو، تشخیص سریع و دقیق تنگی شریان های مغزی از طریق روش های تصویربرداری، به ویژه آنژیوگرافی توموگرافی کامپیوتری (CTA)، اهمیت فراوانی در تصمیم گیری درمانی و کاهش پیامدهای ناشی از سکته مغزی دارد (Wintermark et al., ۲۰۱۳؛ Saba et al., ۲۰۱۹؛ Latchaw et al., ۲۰۰۹).هدف از پژوهش حاضر، توسعه و ارزیابی یک الگوریتم مبتنی بر یادگیری عمیق برای شناسایی خودکار تنگی شریان های داخل جمجمه در تصاویر CTA مغز است. در این مطالعه، با بهره گیری از شبکه های عصبی کانولوشنی و روش های نوین پردازش تصاویر پزشکی، الگوریتمی طراحی شد که قادر به استخراج، قطعه بندی و شناسایی نواحی دچار تنگی در شریان های مغزی باشد. عملکرد مدل با استفاده از مجموعه داده های آموزشی و آزمون مورد ارزیابی قرار گرفت و شاخص های عملکرد آن بر اساس میزان تشخیص صحیح ضایعات بررسی شد.نتایج نشان داد که الگوریتم پیشنهادی به طور متوسط ۳۱/۰۴ ± ۵۰/۴ درصد از تنگی های موجود را بدون در نظر گرفتن شدت آن ها شناسایی کرد. همچنین این سامانه موفق به شناسایی هشت مورد تنگی جدید شد که پنج مورد از آن ها در گروه تنگی های شدید قرار داشتند. یافته های پژوهش نشان می دهد که استفاده از الگوریتم های یادگیری عمیق می تواند دقت و سرعت تشخیص تنگی شریان های داخل جمجمه را افزایش داده و به عنوان یک ابزار کمکی ارزشمند در کنار متخصصان رادیولوژی برای تشخیص زودهنگام و تصمیم گیری درمانی مورد استفاده قرار گیرد (Litjens et al., ۲۰۱۷؛ Esteva et al., ۲۰۱۷؛ Lundervold & Lundervold, ۲۰۱۹).

کلیدواژه ها:

هوش مصنوعی ، یادگیری عمیق ، شبکه عصبی کانولوشنی ، تنگی شریان های داخل جمجمه ، آنژیوگرافی توموگرافی کامپیوتری ، سکته مغزی.