Advertisement

Machbarkeitsstudie zur CNN-basierten Identifikation und TICI-Klassifizierung zerebraler ischämischer Infarkte in DSA-Daten

  • Maximilian NielsenEmail author
  • Moritz Waldmann
  • Andreas Frölich
  • Jens Fiehler
  • René Werner
Conference paper
Part of the Informatik aktuell book series (INFORMAT)

Zusammenfassung

Ziel der vorliegenden Machbarkeitsstudie ist es, zu prüfen, ob eine bildbasierte TICI-Klassifikation von ischämischen Infarkten mittels aktueller Machine Learning-Methoden automatisiert werden kann. Der TICI-Score (Thrombolysis in Cerebral Infarction) beschreibt den lokalen Befund am Infarktort und nachgeschaltete Hirndurchblutung nach endovaskulärer Behandlung. Die zugrunde liegenden Bilddaten sind (2D+t)-Bildserien aus zwei orthogonalen Ansichten (lateral und anterior-posterior), die mittels digitaler Subtraktionsangiographie (DSA) aufgenommen wurden. Basierend auf 698 Bildsequenzen wurde untersucht, inwieweit mittels CNN (Convolutional Neural Network) anhand von entweder aus den Zeitserien abgeleiteten Minimum Intensity Projection-Daten oder unter expliziter Berücksichtigung der Zeitserieninformation eine korrekte Klassifikation erfolgt. Im Zuge dessen wurden im Hinblick auf die zu erwartende Komplexität verschiedene Konfigurationen/Kombinationen von Verschlussort und TICI-Score definiert und analysiert. Die Ergebnisse zeigen, dass es möglich ist, TICI-Score und Verschlussort von ischämischen Infarkten zumindest bei stark unterschiedlichen TICI-Scores verlässlich automatisiert zu bestimmen; die Machbarkeit wird belegt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. 1.
    Higashida RT, Furlan AJ, et al. Trial design and reporting standards for intraarterial cerebral thrombolysis for acute ischemic stroke. Stroke. 2003;34:e109–37.CrossRefGoogle Scholar
  2. 2.
    Drewer-Gutland F, Kemmling A, Ligges S, et al. CTP-based tissue outcome: promising tool to prove the beneficial effect of mechanical recanalization in acute ischemic stroke. RoFo. 2015;187:459–66.CrossRefGoogle Scholar
  3. 3.
    Asadi H, Dowling R, Yan B, et al. Machine learning for outcome prediction of acute ischemic stroke post intra-arterial therapy. PLoS ONE. 2014;9:e88225.CrossRefGoogle Scholar
  4. 4.
    McKinley R, Häni L, Gralla J, et al. Fully automated stroke tissue estimation using random forest classifiers (FASTER). J Cereb Blood Flow Metab. 2016;37:2728–41.CrossRefGoogle Scholar
  5. 5.
    He K, Zhang X, Ren S, et al. Deep residual learning for image recognition. Proc CVPR. 2016; p. 770–778.Google Scholar
  6. 6.
    Hinton GE, Srivastava N, Krizhevsky A, et al. Improving neural networks by preventing co-adaptation of feature detectors. CoRR. 2012;abs/1207.0580. Available from: http://arxiv.org/abs/1207.0580.
  7. 7.
    Fugate JE, Klunder AM, Kallmes DF. What is meant by “TICI”? AJNR Am J Neuroradiol. 2013;34:1792–7.CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  • Maximilian Nielsen
    • 1
    Email author
  • Moritz Waldmann
    • 2
  • Andreas Frölich
    • 2
  • Jens Fiehler
    • 2
  • René Werner
    • 1
  1. 1.Institut für Computational NeuroscienceUniversitätsklinikum Hamburg-EppendorfHamburgDeutschland
  2. 2.Klinik und Poliklinik für Neuroradiologische Diagnostik und InterventionUniversitätsklinikum Hamburg-EppendorfHamburgDeutschland

Personalised recommendations