导读 对于分诊患者进行血管内治疗，及时检测和准确分割磁共振图像(MRIs)上的急性缺血性卒中(AIS)病变至关重要。病变分割是一个常规过程，大脑影
对于分诊患者进行血管内治疗，及时检测和准确分割磁共振图像(MRIs)上的急性缺血性卒中(AIS)病变至关重要。病变分割是一个常规过程，大脑影像中的异常区域由放射线专家定性和手动选择。但是，手动病变分割非常耗时，并且存在操作者偏见。因此，尚未引入用于AIS病变筛查的有效且低成本的方法。
这项研究引入了一种新颖的全自动技术，用于在MRI上检测和分割AIS病变并将图像分类为中风和非中风。这种全自动的异常检测方法将对象的扩散加权图像(DWI)和表观扩散系数(ADC)图像与体素级别的一组健康图像进行比较。DWI上出现高强度而ADC上出现低强度的区域被识别为病变并保存为病变面罩。对大约100例病例进行了病变分割方法的研究。由于存在伪影，噪声和图像分辨率低，存在错误的病变识别风险，因此通过二进制分类器筛选并过滤由该方法创建的病变蒙版，该分类器要么确认所创建的病变蒙版包含真实的AIS病变，要么不。
在《神经科学方法杂志》上发表的结果与专家手动绘制的病变(金标准)显示出良好的一致性。整个方法(包括病变分割和图像分类)简单，快速且不需要高计算能力和内存。
“我们相信这种方法能够在集成到医院常规临床诊断管道中的普通台式工作站上实施。这种方法可以帮助放射科医生加快病灶检测工作流程并减少操作员对病灶的偏见。由于该方法具有可重复性，因此无法进行分割”，Turku PET中心的项目研究人员Sanaz Nazari-Farsani说道。
标签： 人工智能
免责声明：本文由用户上传，如有侵权请联系删除！