(相關(guān)資料圖)
缺血性中風是由于血栓堵塞大腦血管而發(fā)生的，是全世界亡的主要原因之一。幸運的是，外科醫(yī)生現(xiàn)在可以使用先進的成像技術(shù)，使他們能夠在中風期間觀察患者大腦的內(nèi)部情況。這有助于他們查明凝塊的位置并分析腦組織的損傷程度。
計算機斷層掃描灌注(CT-P)是急性中風早期最有用的成像方式之一。然而，在CT-P掃描中準確識別分割(中風病灶的輪廓)具有挑戰(zhàn)性，最終的診斷在很大程度上取決于外科醫(yī)生的專業(yè)知識和能力。為了解決這個問題，科學(xué)家們提出了各種機器學(xué)習(xí)模型來執(zhí)行 CT-P 掃描的自動分割。不幸的是，它們都沒有達到適合臨床應(yīng)用的性能水平。
在此背景下，來自德國的一組研究人員最近開發(fā)了一種新的中風病變分割算法。正如他們在《醫(yī)學(xué)影像雜志》上發(fā)表的研究報告所述，該團隊構(gòu)建了一個名為“圖全卷積網(wǎng)絡(luò)”(GFCN)的幾何深度學(xué)習(xí)模型。它們的幾何算法執(zhí)行的內(nèi)部運算與更廣泛使用的歐幾里得模型的內(nèi)部運算有根本的不同。在他們的研究中，研究人員探討了這種替代方法的好處和局限性。
該模型的一個關(guān)鍵優(yōu)點是它可以更好地學(xué)習(xí)和保留大腦拓撲固有的重要特征。通過使用基于圖的神經(jīng)網(wǎng)絡(luò)，該算法可以從不同角度檢測復(fù)雜的像素間關(guān)系。這反過來又使其能夠更準確地檢測中風病變。
此外，該團隊在其網(wǎng)絡(luò)結(jié)構(gòu)中采用了“池化”和“非池化”塊。簡而言之，池化操作(也稱為“下采樣”)減少了網(wǎng)絡(luò)從輸入圖像中提取的特征圖的整體大小。這降低了算法的計算復(fù)雜性，使模型能夠提取 CT-P 掃描的最顯著特征。相反，反池化操作(或“上采樣”)會恢復(fù)池化操作，以幫助根據(jù)上下文線索正確定位原始圖像中檢測到的特征。通過結(jié)合這兩種操作，網(wǎng)絡(luò)結(jié)構(gòu)可以提取更豐富的幾何信息。
該團隊進行了一系列分析，以確定 GFCN 的每個組件對其分割性能的影響。然后，他們將所提出的算法的性能與最先進的模型進行了比較，所有模型都使用相同的公共數(shù)據(jù)集進行訓(xùn)練。有趣的是，盡管他們的模型使用了基本的反池化技術(shù)和簡單的輸入配置，但在大多數(shù)情況下它的表現(xiàn)都比傳統(tǒng)模型更好。
標簽：
