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習算法在彌散加權MRI(DWI-MRI)檢查中對急性缺血性中風患者進行腦梗塞的嚴重性檢測，量化和評估在虛擬RSNA 2020會議上。

由韓國首爾延世大學主持人Seung Hyun Hwang主持的一組研究人員開發(fā)了一種深度學習模型，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散系數(shù)(ADC)圖來評估其嚴重程度病變。在測試中，該模型實現(xiàn)了高靈敏度和特異性。

Hwang說：“我們研究的定性和定量結果顯示了檢測和定量梗塞的可行性。”

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

他說：“但是，僅依靠ADC值是危險的，因為ADC值通常是在臨床實踐過程中的單個時間點獲取的。”

為了開發(fā)基于深度學習的自動梗塞分割模型，研究人員首先收集了2015年1月至2019年5月在其所在機構接受治療的394例急性梗死患者的DWI和ADC圖。在這些數(shù)據(jù)集中，有216個用于訓練，而24個用于驗證。剩下的154個數(shù)據(jù)集被留作模型測試。

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

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

在測試中，該算法得出：

平均骰子系數(shù)：0.85

排除極小的病變時的平均骰子系數(shù)：0.89