O método de aprendizado profundo aprimora a segmentação de embarcações e placas no diagnóstico de AVC

O derrame é a segunda principal causa de morte globalmente. O derrame isquêmico, fortemente ligado a placas ateroscleróticas, requer segmentação e quantificação precisas da parede de placas e vasos para diagnóstico definitivo. No entanto, a segmentação manual convencional permanece demorada e dependente do operador, enquanto as ferramentas atuais auxiliadas por computador ficam aquém da obtenção da precisão necessária para aplicações clínicas. Esses gargalos tecnológicos dificultam severamente o diagnóstico preciso e o tratamento do AVC isquêmico.

Em um estudo publicado em europeu Radiologiauma equipe de pesquisa liderada pelo Dr. Zhang NA, do Shenzhen Institutes of Advanced Technology (SIAT) da Academia Chinesa de Ciências, juntamente com colaboradores, desenvolveu um modelo de segmentação de várias tarefas baseado em parâmetros e um método de segmentação de pequenas alças de ressonância de alta resolução. Essa abordagem permite a segmentação automatizada e precisa e a análise quantitativa de lúmens de vaso arterial carotídeos, paredes de vasos e placas, oferecendo uma ferramenta diagnóstico confiável de A.-assistida para avaliação clínica de risco de AVC isquêmico.

Neste estudo, o método proposto consiste em duas etapas principais. A primeira etapa envolve a construção de uma rede neural convolucional puramente baseada em aprendizado (CNN), denominada embarcação, para segmentar a parede do lúmen e do navio. A segunda etapa aproveita os Priores de Wall do vaso, especificamente, os anteriores manuais e os anteriores automáticos baseados em perda de Tversky para melhorar a segmentação da placa, utilizando a similaridade morfológica entre a parede do vaso e a placa aterosclerótica.

Este estudo incluiu dados de 193 pacientes com placa aterosclerótica em cinco centros, todos os quais foram submetidos a ressonância magnética ponderada em T1 (ressonância magnética). O conjunto de dados foi dividido em três subconjuntos: 107 pacientes para treinamento e validação, 39 para testes internos e 47 para testes externos.

Os resultados experimentais demonstraram que a maioria dos coeficientes de similaridade dos dados (DSC) para a segmentação da parede do lúmen e do vaso excedeu 90%. A incorporação dos Priores da parede do vaso melhorou o DSC para segmentação da placa em mais de 10%, alcançando 88,45%. Além disso, em comparação com os anteriores baseados em perda de dados, os Priors baseados em perda de Tversky aumentaram ainda mais o DSC em quase 3%, atingindo 82,84%.

Em contraste com os métodos manuais, a técnica proposta fornece segmentação precisa e automatizada de placas e completa avaliação característica quantitativa da placa para um único paciente em menos de 3 segundos.

O objetivo de nossa pesquisa é alavancar os modelos de IA para produzir resultados quantitativos precisos, reproduzíveis e clinicamente relevantes, que podem ajudar os profissionais de saúde no AVC diagnóstico e tomada de decisão terapêutica “.

Dr. Zhang NA, Shenzhen Institutos de Tecnologia Avançada

O Dr. Zhang acrescentou: “No futuro, precisaremos realizar estudos adicionais usando outros equipamentos, populações e análises anatômicas para validar ainda mais a confiabilidade dos resultados da pesquisa”.