Künstliche Intelligenz kann beschleunigen die Erkennung von Schlaganfällen

Künstliche Intelligenz kann beschleunigen die Erkennung von Schlaganfällen

Frühzeitige Erkennung und exakte Segmentierung von akutem ischämischen Schlaganfall (AIS) Läsionen in der Magnet-Resonanz-Bilder (MRT) sind wesentlich für die triaging Patienten für die endovaskuläre Therapie. Läsion Segmentierung ist ein routinemäßiger Prozess, in dem die abnormalen Bereiche in Gehirn-Bilder sind qualitativ und manuell wieder durch kompetente Radiologen. Jedoch, manuelle Läsion Segmentierung ist zeitaufwendig und leidet Betreiber-bias. Dementsprechend effiziente und kostengünstige Ansätze für den AIS-Läsion-screening sind noch nicht eingeführt.

Diese Forschung stellt einen neuartigen und voll automatisierte Technik für die Erkennung und Segmentierung von AIS-Läsionen im MRT und Klassifizierung von Abbildungen in Strich und nicht Strich. Das voll automatisierte Anomalie-Erkennung-Methode vergleicht Diffusions-gewichteten Bildern (DWIs) und scheinbaren Diffusions-Koeffizienten (ADC) von Bildern der Testpersonen mit einer Gruppe von gesunden Bilder in voxel-Ebene. Bereiche mit hyperintensity in der DWI-MRT und hypointensity auf ADC identifiziert werden als Läsionen und gespeichert Läsion Masken. Die Läsion Segmentierung-Methode untersucht wurde, auf rund 100 Fällen. Da gibt es ein Risiko von falsch-Läsion Identifizierung wegen der Artefakte, Geräusche, und die Bild mit niedriger Auflösung, die Läsion Masken erstellt, die von der Methode sind abgeschirmt und gefiltert, über einen binären Klassifizierer, die entweder bestätigt, dass der erzeugte Läsion Maske enthält eine echte AIS Läsion oder nicht. Die Klassifizierung Leistung wurde bewertet auf über 200 MRT.

Die veröffentlichten Ergebnisse in der Zeitschrift Journal of Neuroscience-Methoden zeigen eine gute übereinstimmung mit den von Hand gezeichnet Läsionen durch Experten (gold-standard). Der ganze Ansatz, einschließlich Läsion Segmentierung und Bild-Klassifizierung, ist einfach, schnell und erfordert keine hohe Rechenleistung und Speicher.