Automatische Thrombusdetektion in nativen Computertomographien beim akut-ischämischen Schlaganfall mithilfe eines tiefen Neuronalen Netzwerkes mit Faltungskernen
In dieser Arbeit wurde untersucht, ob Thromben in nativen kranialen Computertomographien unter Verwendung eines Deep-Learning-Modells automatisch detektiert werden können. Als CT-morphologisches Korrelat eines Thrombus fokussierten wir uns auf die Erkennung des hyperdensen Arterienzeichens. Anschließend führten wir eine Beobachtungsstudie durch, um die Ergebnisse unseres Modells mit der Leistung erfahrener Neuroradiolog*innen zu vergleichen. Es wurden dünnschichtige CCT-Bilder von 185 Patient*innen mit akut-ischämischem Schlaganfall aufgrund proximaler zerebraler Gefäßverschlüsse mit ihren jeweils direkt im Anschluss aufgenommenen CTAs registriert. In den CTAs wurde die Kontrastmittellücke mit einer „3D-Region-of-interest“ markiert. Anschließend verwendeten wir diese für die Segmentierung, bei der anhand von Dichtewerten der Pixel und mithilfe der markierten Kontrastmittellücke eine sogenannte „Bounding Box“ in den nativen CCT-Datensätzen festgelegt wurde, die das hyperdense Arterienzeichen markieren sollte. Wir erstellten ein tiefes CNN aus 3 Filterebenen, gefolgt von 5 vollvernetzten neuronalen Schichten, und trainierten es auf die Erkennung der „Bounding Boxes“ für 150 Patient*innen mit akut-ischämischem Schlaganfall bzw. auf die Erkennung des Fehlens einer solchen Region mit 100 Vergleichsdatensätzen. Wir nutzen die übrigen 35 Datensätze von Patient*innen mit, sowie 30 Datensätze von Patient*innen ohne Schlaganfall für die anschließende Testphase. Die notwendige Trainingszeit betrug 7 Tage und 3,5 Stunden. Durchschnittlich betrug die Zeit für die Auswertung eines Datensatzes 3 Minuten und 35 Sekunden (+ / - 45 Sekunden). Die AUC für die richtige Erkennung einer Stenose und ihrer Position im Testdatensatz betrug 0,893 und übertraf damit die Leistung der Expert*innen.
Vorschau
Rechte
Nutzung und Vervielfältigung:
Bitte beachten Sie, dass einzelne Bestandteile der Publikation anderweitigen Lizenz- bzw. urheberrechtlichen Bedingungen unterliegen können.