Revista de Alzheimer y Demencia Acceso abierto

Abstracto

Detección de accidentes cerebrovasculares y clasificación de subtipos mediante redes neuronales convolucionales (CNN)

Calvachi, P

Introducción: El objetivo de este estudio es identificar el accidente cerebrovascular en tomografías computarizadas (TC) de cabeza y clasificarlo en un accidente cerebrovascular isquémico o hemorrágico utilizando redes neuronales convolucionales (CNN). Métodos: Se obtuvieron imágenes de TC cerebral de 791 pacientes (ACV isquémico = 341, ACV hemorrágico = 119 y Normal = 331). Los pacientes se separaron en tres grupos: entrenamiento (n = 641), validación (para optimización de parámetros, n = 100) y prueba (n = 50). Las secciones axiales que contenían las lesiones se seleccionaron manualmente. Se realizó un desprendimiento del cráneo para aislar las regiones cerebrales5 para el entrenamiento del modelo. Empleamos CNN, un método de aprendizaje profundo que clasifica imágenes sin una definición de características a priori, para clasificar las imágenes de TC. La implementación se logró utilizando DLTK4 y TensorFlow utilizando un optimizador Adam, una tasa de aprendizaje de 0,0001 y un tamaño de lote de 24. El modelo se entrenó en más de 10 000 pasos. Se utilizó una CNN para clasificar imágenes con ACV de imágenes normales, mientras que una segunda CNN se utilizó para clasificar entre ACV isquémicos y hemorrágicos. Resultados: Nuestra CNN para la detección de ACV identificó con éxito imágenes con ACV, con una sensibilidad de 0,933 y una especificidad de 0,8 (puntuación F1 = 0,901, precisión = 0,88, área bajo la curva característica del operador del receptor = 0,819) en su punto de decisión óptimo. La CNN para diferenciar ACV isquémicos y hemorrágicos alcanzó una sensibilidad de 0,9 y una especificidad de 0,4 (puntuación F1 = 0,818, precisión = 0,733, área bajo la curva característica del operador del receptor = 0,667). Conclusión: Las CNN identificaron ACV en imágenes de TC de cabeza y lo clasificaron como isquémico o hemorrágico con un buen rendimiento. La implementación de CNN para la clasificación de ACV puede facilitar el análisis y la clasificación de lesiones cerebrales, reduciendo así el tiempo necesario para el diagnóstico y disminuyendo las morbilidades. Planeamos mejorar nuestra CNN para pacientes que se presentan dentro de los primeros minutos y horas de un accidente cerebrovascular isquémico debido a la oclusión de la arteria cerebral media. Los pasos posteriores incluirán el cálculo de la puntuación ASPECTS utilizando estas tomografías computarizadas para respaldar las decisiones de transferencia o terapia en el manejo temprano. Para los pacientes que presentan un accidente cerebrovascular hemorrágico, se calculará el volumen del hematoma intracraneal para decidir el manejo posterior. Objetivos de aprendizaje: Establecimos un algoritmo CNN para identificar y clasificar los accidentes cerebrovasculares. Este enfoque puede reducir el tiempo necesario para considerar los próximos pasos en el manejo personalizado del accidente cerebrovascular. Referencias 1. Zweifler, RM (2017). Evaluación inicial y triaje del paciente con accidente cerebrovascular. Progreso en enfermedades cardiovasculares, 59 (6), 527-533. doi: 10.1016 / j.pcad.2017.04.004 2. Lee, E., Kim, Y., Kim, N. y Kang, D. (2017). En lo profundo del cerebro: inteligencia artificial en la obtención de imágenes de accidentes cerebrovasculares. Revista de accidentes cerebrovasculares, 19(3), 277-285. doi:10.5853/jos.2017.02054 3. Shen, D., Wu, G. y Suk, H. (2017). Aprendizaje profundo en análisis de imágenes médicas. Revisión anual de ingeniería biomédica, 19(1), 221-248. doi:10.1146/annurev-bioeng-071516-044442 4. Pawlowski,N., Ktena, SI, Lee, MC, Kainz, B., Rueckert, D., Glocker, B., Rajchl, M.: DLTK: Implementaciones de referencia de última generación para el aprendizaje profundo en imágenes médicas. En: Taller de NIPS sobre imágenes médicas (2017) 5. Bauer, S., Fejes,