அல்சைமர் & டிமென்ஷியா ஜர்னல் திறந்த அணுகல்

சுருக்கம்

கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளை (சிஎன்என்) பயன்படுத்தி ஸ்ட்ரோக் கண்டறிதல் மற்றும் துணை வகை வகைப்பாடு

கால்வாச்சி, பி

அறிமுகம்: இந்த ஆய்வின் நோக்கம் ஹெட் கம்ப்யூட்டட் டோமோகிராபி (CT) ஸ்கேன்களில் பக்கவாதத்தைக் கண்டறிந்து, கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகளைப் (CNN) பயன்படுத்தி ஒரு இஸ்கிமிக் அல்லது ஹெமொரேஜிக் ஸ்ட்ரோக்காக வகைப்படுத்துவதாகும். முறைகள்: 791 நோயாளிகளிடமிருந்து மூளை CT படங்கள் பெறப்பட்டன (இஸ்கிமிக் ஸ்ட்ரோக் = 341, ஹெமொரேஜிக் ஸ்ட்ரோக் = 119, மற்றும் இயல்பான = 331). நோயாளிகள் மூன்று செட்களாக பிரிக்கப்பட்டனர்: பயிற்சி (n = 641), சரிபார்ப்பு (அளவுரு தேர்வுமுறைக்கு, n = 100) மற்றும் சோதனை (n = 50). காயங்களைக் கொண்ட அச்சுப் பகுதிகள் கைமுறையாகத் தேர்ந்தெடுக்கப்பட்டன. மாதிரி பயிற்சிக்காக மூளை பகுதிகளை தனிமைப்படுத்த மண்டை ஓடு அகற்றப்பட்டது. CT படங்களை வகைப்படுத்துவதற்கு, முதன்மை அம்ச வரையறை இல்லாமல் படங்களை வகைப்படுத்தும் ஆழமான கற்றல் முறையான CNN ஐப் பயன்படுத்தினோம். ஆடம் ஆப்டிமைசரைப் பயன்படுத்தி DLTK4 மற்றும் TensorFlow ஐப் பயன்படுத்தி செயல்படுத்தப்பட்டது, கற்றல் விகிதம் 0.0001, மற்றும் தொகுதி அளவு 24. இந்த மாதிரி 10,000 படிகளுக்கு மேல் பயிற்சியளிக்கப்பட்டது. ஒரு சிஎன்என் சாதாரண படங்களிலிருந்து ஸ்ட்ரோக் இடம்பெறும் படங்களை வகைப்படுத்த பயன்படுத்தப்பட்டது, இரண்டாவது சிஎன்என் இஸ்கிமிக் மற்றும் ஹெமோர்ராகிக் ஸ்ட்ரோக்குகளுக்கு இடையில் வகைப்படுத்த பயன்படுத்தப்பட்டது. முடிவுகள்: பக்கவாதத்தைக் கண்டறிவதற்கான எங்களது CNN ஆனது, 0.933 உணர்திறன் மற்றும் 0.8 (F1 மதிப்பெண் = 0.901, துல்லியம் = 0.88, ரிசீவர் ஆபரேட்டர் பண்பு வளைவின் கீழ் பகுதி = 0.819) இன் சிறப்புத் தன்மையுடன், பக்கவாதத்துடன் கூடிய படங்களை அதன் உகந்த முடிவு புள்ளியில் வெற்றிகரமாக அடையாளம் கண்டுள்ளது. இஸ்கிமிக் மற்றும் ரத்தக்கசிவு பக்கவாதங்களை வேறுபடுத்துவதற்கான CNN ஆனது 0.9 உணர்திறன் மற்றும் 0.4 (F1 மதிப்பெண் = 0.818, துல்லியம் = 0.733, ரிசீவர் ஆபரேட்டர் பண்பு வளைவின் கீழ் பகுதி = 0.667). முடிவு: சிஎன்என்கள் ஹெட் CT படங்களில் பக்கவாதத்தைக் கண்டறிந்து, நல்ல செயல்திறனுடன் இஸ்கிமிக் அல்லது ரத்தக்கசிவு என வகைப்படுத்தியது. பக்கவாதம் வகைப்படுத்தலுக்கான CNN களை செயல்படுத்துவது மூளைப் புண்களின் பகுப்பாய்வு மற்றும் வகைப்படுத்தலை எளிதாக்குகிறது, இதன் மூலம் நோயறிதலுக்கான நேரத்தைக் குறைக்கிறது மற்றும் நோயுற்ற தன்மைகளைக் குறைக்கிறது. நடுத்தர பெருமூளை தமனி அடைப்பு காரணமாக இஸ்கிமிக் பக்கவாதம் ஏற்பட்ட முதல் நிமிடங்கள் மற்றும் மணிநேரங்களில் நோயாளிகளுக்கு எங்கள் CNN ஐ மேம்படுத்த திட்டமிட்டுள்ளோம். ஆரம்ப நிர்வாகத்தில் பரிமாற்றம் அல்லது சிகிச்சை முடிவுகளை ஆதரிக்க இந்த CT ஸ்கேன்களைப் பயன்படுத்தி ASPECTS மதிப்பெண் கணக்கீடு மேலும் படிகளில் அடங்கும். ரத்தக்கசிவு பக்கவாதத்தால் பாதிக்கப்பட்ட நோயாளிகளுக்கு, இன்ட்ராக்ரானியல் ஹீமாடோமாவின் அளவு கணக்கிடப்பட்டு, மேலும் நிர்வாகத்தை தீர்மானிக்கும். கற்றல் நோக்கங்கள்: பக்கவாதங்களை அடையாளம் காணவும் வகைப்படுத்தவும் ஒரு CNN அல்காரிதத்தை நாங்கள் நிறுவியுள்ளோம். இந்த அணுகுமுறை தனிப்பயனாக்கப்பட்ட பக்கவாதம் நிர்வாகத்தில் அடுத்த படிகளைக் கருத்தில் கொள்ளத் தேவையான நேரத்தைக் குறைக்கலாம். குறிப்புகள் 1. Zweifler, RM (2017). பக்கவாதம் நோயாளியின் ஆரம்ப மதிப்பீடு மற்றும் சோதனை. கார்டியோவாஸ்குலர் நோய்களில் முன்னேற்றம்,59(6), 527-533. doi:10.1016/j.pcad.2017.04.004 2. Lee, E., Kim, Y., Kim, N., & Kang, D. (2017). மூளைக்குள் ஆழமாக: ஸ்ட்ரோக் இமேஜிங்கில் செயற்கை நுண்ணறிவு. ஜர்னல் ஆஃப் ஸ்ட்ரோக்,19(3), 277-285. doi:10.5853/jos.2017.02054 3. Shen, D., Wu, G., & Suk, H. (2017). மருத்துவ பட பகுப்பாய்வில் ஆழ்ந்த கற்றல். பயோமெடிக்கல் இன்ஜினியரிங் ஆண்டு ஆய்வு,19(1), 221-248. doi:10.1146/annurev-bioeng-071516-044442 4. பாவ்லோவ்ஸ்கி,N., Ktena, SI, Lee, MC, Kainz, B., Rueckert, D., Glocker, B., Rajchl, M.: DLTK: மருத்துவப் படங்கள் பற்றிய ஆழமான கற்றலுக்கான அதிநவீன குறிப்பு செயலாக்கங்கள். இல்: மருத்துவ இமேஜிங் சந்திப்பு NIPS பட்டறை (2017) 5. Bauer, S., Fejes,