缺血性中风是一种因血栓阻塞脑血管而发生的疾病，是世界范围内导致死亡的主要原因之一。幸运的是，外科医生现在有了先进的成像技术，使他们能够在中风时看到病人的大脑内部。这有助于他们精确定位血栓的位置，并分析脑组织损伤的程度。
计算机断层扫描灌注(CT-P)是急性脑卒中早期最有用的成像方式之一。然而，在CT-P扫描中准确识别脑卒中病灶的轮廓是一项挑战，最终的诊断很大程度上取决于外科医生的专业知识和能力。为了解决这个问题，科学家们提出了各种机器学习模型，可以对CT-P扫描进行自动分割。不幸的是，它们都没有达到适合临床应用的性能水平。
在此背景下，来自德国的一组研究人员最近开发了一种新的脑卒中病变分割算法。正如他们发表在《医学成像杂志》上的研究报告所述，该团队建立了一个名为“图形全卷积网络”(GFCN)的几何深度学习模型。其几何算法所执行的内部操作与更广泛使用的欧几里得模型有根本的不同。在他们的研究中，研究人员探讨了这种替代方法的优点和局限性。
该模型的一个关键优势是它可以更好地学习和保留大脑拓扑结构固有的重要特征。该算法利用基于图的神经网络，可以从不同角度检测复杂的像素间关系。这反过来又使它能够更准确地检测中风病变。
此外，该团队在其网络结构中采用了“池化”和“解池化”区块。简单地说，池化操作，也称为“下采样”，减少了网络从输入图像中提取的特征图的总体大小。这降低了算法的计算复杂度，使模型能够提取CT-P扫描的最显著特征。相反，解池操作(或“上采样”)恢复池操作，以帮助根据上下文线索正确定位原始图像中检测到的特征。结合这两种操作，网络结构可以提取更丰富的几何信息。
该团队进行了一系列分析，以确定GFCN的每个组成部分对其分割性能的影响。然后，他们将提出的算法的性能与最先进的模型进行比较，所有模型都使用相同的公共数据集进行训练。有趣的是，尽管他们的模型使用了基本的解池技术和简单的输入配置，但在大多数情况下，它比传统模型表现得更好。
值得注意的是，GFCN-8s采用了3个池化层和8倍上采样，其Dice系数得分(一种表示预测与实际病变区域重叠的指标)为0.4553，明显高于其他模型。此外，该模型对不规则分割边界的适应能力优于现有模型。
总的来说，这项研究的发现展示了几何深度学习在医学成像分割问题上的潜力。对类似策略的进一步研究可以为高度精确的中风自动诊断模型铺平道路，从而改善患者的预后并挽救生命。
更多信息:Ariel Iporre-Rivas等，stroke - gfcn:基于全卷积图网络的缺血性脑卒中病变预测，Journal of Medical Imaging(2023)。引文:团队开发了用于检测中风病变的新几何深度学习模型(2023年，7月18日)，检索自https://medicalxpress.com/news/2023-07-team-geometric-deep-lesions.html。本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
