تقسیم ‌بندی خودکار ضایعات سکتۀ مغزی ایسکمیک در نقشه‌های پرفیوژن ct با استفاده از شبکه‌های یادگیری عمیق

سکتۀ مغزی را می‌توان سومین علت مرگ ‌و میر و بزرگ‌ترین عامل ناتوانی اکتسابی در سراسر جهان به شمار آورد. تقسیم‌بندی ضایعات سکتۀ مغزی نقشی حیاتی را در بهبود، تشخیص، ارزیابی نتیجه و برنامه‌ریزی برای درمان پ ایفا می‌کند. رویکرد استاندارد فعلی که برای تقسیم‌بندی ضایعات سکته مغزی ایسکمیک وجود دارد بر اساس آستانه‌گذاری نقشه‌های پرفیوژن توموگرافی کامپیوتری (ctp)  است؛ با این‌ حال، این رویکرد تشخیص به ‌اندازۀ کافی دقیق نیست (ضریب تشابه تاس (dsc) حدود 68 درصد است). بر همین اساس، تکنیک‌های متعدد مبتنی بر یادگیری ماشین به‏تازگی برای بهبود صحت تقسیم‌بندی ضایعات سکتۀ مغزی ایسکمیک پیشنهاد شده‌اند. اگرچه این مطالعه‏ها به نتایجی جالب توجه دست یافته‌اند، هنوز باید قبل از استفاده در عمل بهبود یابند. این پژوهش تکنیکی جدید مبتنی بر یادگیری عمیق را برای تقسیم‌بندی ضایعات سکتۀ مغزی ایسکمیک در نقشه‌های ctp ارائه می‌کند. معماری شبکۀ پیشنهادی شامل پنج لایۀ کانولوشنال گراف است که می‌تواند عمل انتخاب/استخراج ویژگی را به صورت خودکار انجام دهد و بردار ویژگی حاصل را طبقه‌بندی کند. در این مطالعه، از پایگاه دادۀ isles 2018 به ‌منظور آموزش شبکۀ پیشنهادی استفاده شده است. شاخص‌های ضریب تشابه تاس و ضریب جاکارد بر اساس مدل پیشنهادی به‏ترتیب 75.41 و 74.52 درصد هستند که در مقایسه با مطالعه‏های گذشته بهبودی جالب ‌توجه داشته‏اند. علاوه بر این، عملکرد مدل پیشنهادی در محیط‌های نویزی بسیار امیدوارکننده است؛ به طوری که در snr=-4، صحت شبکه هنوز هم بیشتر از 60 درصد است.

automatic segmentation of ischemic stroke lesions in ct perfusion maps using deep learning networks

stroke is the third leading cause of death and the largest cause of acquired disability worldwide. classification of stroke lesions is vital in recovery, diagnosis, outcome assessment, and treatment planning. the current standard approach for segmenting ischemic stroke lesions is based on thresholding of computed tomography perfusion (ctp) maps. however, this detection approach is inaccurate (the dice similarity coefficient is around 68%). accordingly, several machine learning-based techniques have recently been proposed to improve the segmentation accuracy of ischemic stroke lesions. although these studies have achieved significant results, they still need to be improved before being used in real practice. this research presents a new technique based on deep learning for the segmentation of ischemic stroke lesions in ctp maps. the proposed network architecture includes the 7 graph convolutional layer, which can automatically perform feature selection/extraction and classify the resulting feature vector. in this study, the isles 2018 database was used to train the proposed network. the indices of the dice similarity coefficient and jaccard index based on the proposed model are 75.41% and 74/52%, respectively, which is a significant improvement compared to recent studies. in addition, the performance of the proposed model in noisy environments is very promising; so, at snr=-4, the accuracy of networks is still above 60%.