O método de aprendizado profundo aprimora a apreensão de embarcações e placa no diagnóstico de um derrame

O derrame é a segunda principal causa de morte no mundo. O derrame, fortemente associado a folhas feitas de aterosclerose, requer uma parede precisa, medindo a tigela e a medição quantitativa do diagnóstico final. No entanto, a fragmentação manual tradicional ainda é consumida por tempo e depende do operador, enquanto as ferramentas atuais com a ajuda do computador ficam aquém da obtenção da precisão necessária para aplicações clínicas. Esses gargalos tecnológicos dificultam fortemente o diagnóstico preciso e o tratamento do AVC.

Em um estudo publicado em europeu RaioA equipe de pesquisa liderada pelo Dr. Chang Na, do Siation THA Institutes of the Chinese Academy of Sciences, juntamente com os colaboradores, desenvolveu um modelo de segmentação de multi -atendimento baseado em parâmetros baseados em parâmetros (RM) com ressonância magnética de alta qualidade. Essa abordagem permite fragmentação automática e precisa e uma análise quantitativa da salvação dos vasos vertebrais arteriais, das paredes do navio e das pinturas, fornecendo uma ferramenta de diagnóstico AA-AIC confiável para avaliar o risco clínico de derrame.

Neste estudo, o método proposto consiste em duas etapas principais. O primeiro passo inclui a construção de uma rede nervosa baseada em aprendizado (CNN), chamada Segnet, para montar a parede da cavidade e o navio. O segundo passo funciona para aproveitar a parede da tigela especificamente, especificamente, a perda automática e automática de perda automática para melhorar a fragmentação da placa através do uso de similaridade morfológica entre a parede da tigela e a placa de aterosclerose.

Este estudo incluiu dados de 193 pacientes que sofrem da placa da arteriosclerose em cinco centros, todos os quais foram submetidos a ressonância magnética T1 (RM). O conjunto de dados foi dividido em três sub -grupos: 107 pacientes para treinamento e validação, 39 para teste interno e 47 para testes externos.

Resultados experimentais mostraram que a maioria das transações de similaridade da flor (DSC) para dividir a parede, ligações e navios excederam 90 %. A fusão dos gritos da parede da tigela melhorou o DSC para reter a placa em mais de 10 %e alcançou 88,45 %. Além disso, em comparação com os anteriores à base de perdas, a perda de Tversky para o DSC fortaleceu -se em aproximadamente 3 %, atingindo 82,84 %.

Em contraste com os métodos manuais, a técnica proposta fornece fragmentação e automação precisas da placa e complementa uma avaliação especial especial do preto quântico para um paciente em menos de 3 segundos.

O objetivo de nossa pesquisa é tirar proveito dos modelos de inteligência artificial para produzir os resultados de uma quantidade precisa, repetitiva e clínica, que pode ajudar os profissionais de saúde em derrame Traslado E tomar uma decisão terapêutica. “

Dr. Zhang NA, Chantzhen Institutes for Advanced Technology

“No futuro, precisaremos de estudos adicionais usando outros equipamentos, população e análises anatômicas para aumentar os resultados da saúde da confiabilidade”, acrescentou o Dr. Zhang.