تقسيم ‌بندي خودكار ضايعات سكتۀ مغزي ايسكميك در نقشه‌هاي پرفيوژن CT با استفاده از شبكه‌هاي يادگيري عميق

سكتۀ مغزي را مي‌توان سومين علت مرگ ‌و مير و بزرگ‌ترين عامل ناتواني اكتسابي در سراسر جهان به شمار آورد. تقسيم‌بندي ضايعات سكتۀ مغزي نقشي حياتي را در بهبود، تشخيص، ارزيابي نتيجه و برنامه‌ريزي براي درمان پ ايفا مي‌كند. رويكرد استاندارد فعلي كه براي تقسيم‌بندي ضايعات سكته مغزي ايسكميك وجود دارد بر اساس آستانه‌گذاري نقشه‌هاي پرفيوژن توموگرافي كامپيوتري (CTP)  است؛ با اين‌ حال، اين رويكرد تشخيص به ‌اندازۀ كافي دقيق نيست (ضريب تشابه تاس (DSC) حدود 68 درصد است). بر همين اساس، تكنيك‌هاي متعدد مبتني بر يادگيري ماشين به‏تازگي براي بهبود صحت تقسيم‌بندي ضايعات سكتۀ مغزي ايسكميك پيشنهاد شده‌اند. اگرچه اين مطالعه‏ها به نتايجي جالب توجه دست يافته‌اند، هنوز بايد قبل از استفاده در عمل بهبود يابند. اين پژوهش تكنيكي جديد مبتني بر يادگيري عميق را براي تقسيم‌بندي ضايعات سكتۀ مغزي ايسكميك در نقشه‌هاي CTP ارائه مي‌كند. معماري شبكۀ پيشنهادي شامل پنج لايۀ كانولوشنال گراف است كه مي‌تواند عمل انتخاب/استخراج ويژگي را به صورت خودكار انجام دهد و بردار ويژگي حاصل را طبقه‌بندي كند. در اين مطالعه، از پايگاه دادۀ ISLES 2018 به ‌منظور آموزش شبكۀ پيشنهادي استفاده شده است. شاخص‌هاي ضريب تشابه تاس و ضريب جاكارد بر اساس مدل پيشنهادي به‏ترتيب 75.41 و 74.52 درصد هستند كه در مقايسه با مطالعه‏هاي گذشته بهبودي جالب ‌توجه داشته‏اند. علاوه بر اين، عملكرد مدل پيشنهادي در محيط‌هاي نويزي بسيار اميدواركننده است؛ به طوري كه در SNR=-4، صحت شبكه هنوز هم بيشتر از 60 درصد است.