教育新闻网2020年11月29日-研究人员在周日的演讲中讨论了如何使用深度学习算法在弥散加权MRI(DWI-MRI)检查中对急性缺血性中风患者进行脑梗塞的严重性检测，量化和评估在虚拟RSNA 2020会议上。
由韩国首尔延世大学主持人Seung Hyun Hwang主持的一组研究人员开发了一种深度学习模型，该模型可以使用DWI-MRI分割和量化脑梗死，然后通过分析表观扩散系数(ADC)图来评估其严重程度病变。在测试中，该模型实现了高灵敏度和特异性。
Hwang说：“我们研究的定性和定量结果显示了检测和定量梗塞的可行性。”
Hwang说，由于DWI-MRI对检测小面积和早期梗塞的敏感性，通常用于评估急性缺血性中风。ADC图也可以用作急性梗死的参考。
他说：“但是，仅依靠ADC值是危险的，因为ADC值通常是在临床实践过程中的单个时间点获取的。”
为了开发基于深度学习的自动梗塞分割模型，研究人员首先收集了2015年1月至2019年5月在其所在机构接受治疗的394例急性梗死患者的DWI和ADC图。在这些数据集中，有216个用于训练，而24个用于验证。剩下的154个数据集被留作模型测试。
Hwang表示，该团队选择以集成方法使用改进的U-Net卷积神经网络，以提高在小病变上的性能。在对梗塞进行分割之后，该算法随后基于对病变ADC图的分析来测量梗塞严重程度。
因此，将梗塞分为四类之一：无中风症状，轻度中风，中度中风和重度中风。ADC值大于620用作“无中风症状”类别的阈值;其他类别阈值以100个ADC值的间隔设置。
在测试中，该算法得出：
平均骰子系数：0.85
排除极小的病变时的平均骰子系数：0.89
