阿尔茨海默病与痴呆杂志 开放获取

抽象的

使用卷积神经网络 (CNN) 进行中风检测和亚型分类

卡尔瓦奇，P

简介：本研究的目的是通过卷积神经网络 (CNN) 在头部 CT 扫描中识别中风并将其分类为缺血性或出血性中风。方法：从 791 名患者（缺血性中风 = 341、出血性中风 = 119 和正常 = 331）获取脑 CT 图像。患者被分成三组：训练组（n=641）、验证组（用于参数优化，n=100）和测试组（n=50）。手动选择包含病变的轴向切片。进行颅骨剥离以分离大脑区域 5 进行模型训练。我们采用 CNN（一种无需先验特征定义即可对图像进行分类的深度学习方法）对 CT 图像进行分类。使用 DLTK4 和 TensorFlow 完成实现，使用 Adam 优化器，学习率为 0.0001，批处理大小为 24。该模型经过 10,000 步以上的训练。一个 CNN 用于将中风图像与正常图像进行分类，而第二个 CNN 用于对缺血性中风和出血性中风进行分类。结果：我们的中风检测 CNN 成功识别出中风图像，在其最佳决策点处的灵敏度为 0.933，特异性为 0.8（F1 得分 = 0.901，准确度 = 0.88，受试者工作特征曲线下面积 = 0.819）。用于区分缺血性和出血性中风的 CNN 实现了 0.9 的灵敏度和 0.4 的特异性（F1 得分 = 0.818，准确度 = 0.733，受试者工作特征曲线下面积 = 0.667）。结论：CNN 可以识别头部 CT 图像中的中风并将其分类为缺血性或出血性，性能良好。将 CNN 用于中风分类可以促进脑病变的分析和分类，从而减少诊断所需时间并降低发病率。我们计划针对因大脑中动脉闭塞导致缺血性中风后几分钟或几小时内出现症状的患者改进我们的 CNN。进一步的措施包括使用这些 CT 扫描计算 ASPECTS 评分，以支持早期治疗中的转移或治疗决策。对于患有出血性中风的患者，将计算颅内血肿量以决定进一步的治疗。学习目标：我们建立了一种 CNN 算法来识别和分类中风。这种方法可以减少考虑个性化中风管理下一步所需的时间。参考文献 1. Zweifler, RM (2017)。中风患者的初步评估和分类。心血管疾病进展，59(6)，527-533。doi:10.1016/j.pcad.2017.04.004 2. Lee, E., Kim, Y., Kim, N., & Kang, D. (2017)。深入大脑：人工智能在卒中成像中的应用。《卒中杂志》，19(3)，277-285。doi:10.5853/jos.2017.02054 3. Shen, D., Wu, G., & Suk, H. (2017)。深度学习在医学图像分析中的应用。《生物医学工程年鉴》，19(1)，221-248。doi:10.1146/annurev-bioeng-071516-044442 4. Pawlowski，N.、Ktena、SI、Lee、MC、Kainz、B.、Rueckert、D.、Glocker、B.、Rajchl、M.：DLTK：用于医学图像深度学习的最先进的参考实现。在：医学成像与 NIPS 研讨会 (2017) 5. Bauer、S.、Fejes、