تقسیم بندی ضایعات سکته مغزی ایسکمیک بر روی نقشه های پرفیوژن سی تی چندپارامتری با استفاده از شبکه عصبی عمیق

سکته مغزی به از دست دادن سریع عملکرد مغز به دلیل خون رسانی کم به مغز اشاره دارد. سکته مغزی عامل اصلی مرگ و میر و عوارض در سراسر جهان است. سالانه حدود ۱۵ میلیون نفر از سکته مغزی رنج می برند که یک سوم آنها جان خود را از دست می دهند. تقریباً ۸۵ درصد از سکته های مغزی ایسکمیک و ۱۵ درصد باقی مانده سکته های هموراژیک هستند. [۱]. سکته مغزی ایسکمیک زمانی رخ می دهد که رگ خون رسانی به مغز مسدود شود. تصویربرداری در تشخیص سکته بسیار مهم است، زیرا میزان آسیب بافتی و مقدار بافتی را که می‌توان با درمان نجات داد، مشخص می‌کند.

روش‌های تصویربرداری استاندارد برای تشخیص سکته مغزی شامل توموگرافی کامپیوتری (CT) و تصویربرداری رزونانس مغناطیسی (MRI) است. سی تی روش اولیه برای تصویربرداری سکته مغزی است زیرا می تواند تصاویر غنی از اطلاعات مغز را به سرعت و با هزینه کمتر ارائه دهد و در مناطق با تراکم جمعیت بالا به طور گسترده در دسترس باشد. همچنین می تواند خونریزی های داخل جمجمه و سایر آسیب شناسی هایی را که شبیه سکته مغزی هستند، مانند تومورها حذف کند. [۲]. تصویربرداری CT پرفیوژن نیز برای تعیین کمیت و تشخیص دقیق پرفیوژن مغز انجام می شود. کمبود پرفیوژن را می توان بلافاصله پس از سکته، یعنی در زمانی که CT استاندارد هنوز برای سکته منفی است، تشخیص داد. [۲]. نقشه‌های پرفیوژن کمی، مانند جریان خون مغزی (CBF)، حجم خون مغزی (CBV)، میانگین زمان انتقال (MTT) و زمان تا اوج (T)_حداکثربرای تشخیص ناحیه ایسکمیک استفاده می شود.

تقسیم بندی ضایعه سکته مغزی دستی، به ویژه در تصاویر CT و نقشه های پرفیوژن CT، می تواند زمان بر باشد و دارای تنوع بالای بین و درون مشاهده گر باشد. توسعه سیستم های تشخیص به کمک کامپیوتر (CAD) می تواند زمان مورد نیاز برای شناسایی ضایعات سکته مغزی را که برای مداخله به موقع ضروری است، به میزان قابل توجهی کاهش دهد. به دلیل پایین بودن نسبت کنتراست به نویز یا نسبت سیگنال به نویز ضایعات سکته مغزی، الگوریتم‌های مرسوم برای تقسیم‌بندی خودکار نتایج رضایت‌بخشی ارائه می‌کنند. اخیراً، تمرکز بر توسعه سیستم‌های CAD مبتنی بر یادگیری عمیق برای تقسیم‌بندی ضایعات سکته مغزی است که می‌تواند محدودیت‌های روش‌های مرسوم را حذف کند. از آنجایی که در دسترس بودن پایگاه داده های بزرگ سی تی اسکن برای سکته ایسکمیک محدود است، بیشتر کارها با استفاده از داده های چالش تقسیم بندی ضایعات ایسکمیک سکته مغزی (ISLES 2018) انجام شده است. [۳,۴,۵]. مجموعه داده شامل تصاویر CT استاندارد، یک توالی دینامیک ۴ بعدی از داده های تصویربرداری پرفیوژن، و نقشه های پرفیوژن کمی مربوطه – CBF، CBV، MTT، و T است._حداکثر. هدف این چالش شروع برنامه های کاربردی یادگیری عمیق برای تقسیم بندی ضایعات سکته مغزی ایسکمیک بر روی تصاویر CT بود. لیو و همکاران یک CNN متراکم چند مقیاسی برای تقسیم بندی سکته مغزی پیشنهاد کرد [۶]. معماری آنها از چهار توالی تصویر (CT، CBF، CBV، و T) استفاده می‌کرد_حداکثر) برای تولید یک ماسک تقسیم بندی. علاوه بر این، آنها از ترکیبی از توابع از دست دادن تاس و آنتروپی متقابل برای تمرین استفاده کردند. تورککووا و همکاران U-Net سه بعدی با پیچش های گشاد شده را پیشنهاد کرد [۷]. در این مطالعه، تصحیح سوگیری و عادی سازی امتیاز z به عنوان مراحل پیش پردازش انجام شد. عمروف و همکاران یک معماری سه بعدی U-Net اصلاح شده برای جداسازی ضایعه سکته مغزی پیشنهاد کرد [۸]. احمد و همکاران از یک رمزگذار مبتنی بر CNN با بلوک‌های اولیه و بلوک‌های متراکم برای تقسیم‌بندی استفاده کرد. [۹]. تصحیح سوگیری و عادی سازی به عنوان بخشی از مرحله پیش پردازش انجام شد. سلطانپور و همکاران یک معماری MultiResU-Net اصلاح شده برای تقسیم بندی ضایعات سکته مغزی پیشنهاد کرد [۱۰]. این رویکرد از T استفاده می کند_حداکثر به عنوان یک نقشه حرارتی در یکی از کانال ها، و تصاویر دیگر بخشی از کانال های دیگر هستند. دولز و همکاران از یک U-Net چند مسیره متراکم برای تقسیم بندی سکته مغزی استفاده کرد [۱۱]. این رویکرد از تمام تصاویر/نقشه های ارائه شده برای دستیابی به دقت قطعه بندی بالا استفاده کرد. ژیگو و همکاران از یک U-Net سبک وزن با عملکرد کاهش تشابه ساختاری برای جداسازی ضایعات سکته مغزی در نقشه های پرفیوژن CT استفاده کرد. [۱۲]. کومار و همکاران از یک استراتژی مبتنی بر پچ برای جداسازی ضایعه سکته مغزی استفاده کرد [۱۳]. این رویکرد از یک چارچوب سبک U-Net استفاده کرد که ترکیبی از Tversky کانونی و از دست دادن آنتروپی متقابل است. اسلام و همکاران از یک رویکرد مبتنی بر یادگیری متخاصم استفاده کرد که در آن از یک شبکه مولد (U-Net) برای ایجاد ماسک‌های تقسیم‌بندی استفاده شد، و یک شبکه تشخیص‌دهنده (CNN) برای اصلاح ماسک‌ها با تمایز آنها از حقیقت اصلی استفاده شد. [۱۴]. نرمال سازی شدت و تغییر اندازه تصاویر به عنوان پیش پردازش استفاده شد. ژانگ و همکاران از یک رویکرد یادگیری خوشه ای-بازنمایی برای تعیین سکته مغزی استفاده کرد [۱۵]. در این رویکرد، ابتدا نمونه‌های آموزشی بر اساس شباهت‌های دشواری تقسیم‌بندی، به گروه‌هایی خوشه‌بندی می‌شوند. در مرحله بعد، هر خوشه به طور جداگانه برای به دست آوردن یک مدل خوشه-نماینده آموزش داده می شود. پیشین های خوشه بندی به دست آمده از این مدل ها با شبکه آموزشی کلی ترکیب می شوند. آناند و همکاران شبکه ای را با الهام از معماری DenseNet-121 برای انجام بخش بندی ضربه ای پیشنهاد کرد [۱۶]. این شبکه تنها از نقشه‌های پرفیوژن CT با جمجمه به همراه ترکیبی از توابع آنتروپی متقابل و از دست دادن تاس برای ایجاد پیش‌بینی استفاده می‌کند. غنمت و همکاران از یک شبکه مبتنی بر GAN با مدل‌های جهش برای تولید تصاویر مصنوعی برای آموزش شبکه استفاده کرد [۱۷]. مدل پیشنهادی به امتیاز تاس ۰٫۴۳ در مجموعه داده آموزشی دست یافت. تورسینوا و همکاران از U-Net سه بعدی برای انجام بخش بندی ضربه استفاده کرد [۱۸]. این مدل به ترتیب در مجموعه داده‌های آموزش و آزمایش به امتیاز تاس ۰٫۳۹ و ۰٫۳۵ دست یافت.