用于检测中风病变的新几何深度学习模型
缺血性中风是当大脑中的血管被血栓堵塞时发生的，是全世界亡的主要原因之一。幸运的是，外科医生现在可以使用先进的成像技术，使他们能够在中风期间观察患者大脑的内部情况。这有助于他们查明凝块的位置并分析脑组织的损伤程度。
计算机断层扫描灌注(CT-P)是急性中风早期最有用的成像方式之一。然而，在 CT-P 扫描中准确识别分割(中风病变的轮廓)具有挑战性，最终的诊断很大程度上取决于外科医生的专业知识和能力。为了解决这个问题，科学家们提出了各种机器学习模型来执行 CT-P 扫描的自动分割。不幸的是，它们都没有达到适合临床应用的性能水平。
在此背景下，来自德国的一组研究人员最近开发了一种新的中风病变分割算法。正如他们在《医学影像杂志》上发表的 研究报告所述 ，该团队构建了一个名为“图全卷积网络”(GFCN)的几何深度学习模型。它们的几何算法执行的内部运算与更广泛使用的欧几里得模型的内部运算有根本的不同。在他们的研究中，研究人员探讨了这种替代方法的好处和局限性。
该模型的一个关键优点是它可以更好地学习和保留大脑拓扑结构固有的重要特征。通过使用基于图的神经网络，该算法可以从不同角度检测复杂的像素间关系。这反过来又使其能够更准确地检测中风病变。
此外，该团队在其网络结构中采用了“池化”和“非池化”块。简而言之，池化操作(也称为“下采样”)减少了网络从输入图像中提取的特征图的整体大小。这降低了算法的计算复杂性，使模型能够提取 CT-P 扫描的最显着特征。相反，反池化操作(或“上采样”)会恢复池化操作，以帮助根据上下文线索正确定位原始图像中检测到的特征。通过结合这两种操作，网络结构可以提取更丰富的几何信息。
该团队进行了一系列分析，以确定 GFCN 的每个组件对其分割性能的影响。然后，他们将所提出的算法的性能与最先进的模型进行了比较，所有模型都使用相同的公共数据集进行训练。有趣的是，尽管他们的模型使用了基本的反池化技术和简单的输入配置，但在大多数情况下它的表现都比传统模型更好。
值得注意的是，具有三个池化层和八倍上采样的 GFCN-8 实现了 0.4553 的 Dice 系数得分(表示预测病变区域与实际病变区域之间重叠的指标)，明显高于其他模型。此外，所提出的模型比最先进的模型能够更好地适应不规则的分割边界。
总的来说，这项研究的结果展示了几何深度学习在医学成像分割问题上的潜力。对类似策略的进一步研究可以为高精度的中风自动诊断模型铺平道路，从而改善患者的治疗结果并挽救生命。
版权声明：本文由用户上传，如有侵权请联系删除！