Automatisierte Thrombus-Segmentierung bei Schlaganfällen

Vor kurzem wurde unser Konferenz Paper zum Thema „Automated Thrombus Segmentation in Stroke NCCT Incorporating Clinical Data“ veröffentlicht. Die Arbeit entstand im Rahmen des Verbundprojekts KI-SIGS, in welchem wir zusammen mit dem Uniklinikum Schleswig-Holstein (UKSH) KI-basierte Lösungen entwickeln, die Radiologinnen und Radiologen bei der Befundung computertomographischer (CT) Bilder von Schlaganfallpatienten unterstützen.

Das Paper beschäftigt sich mit der automatisierten Segmentierung von Thromben in der Schlaganfall-Bildgebung, speziell im kranialen Nativ-CT (NCCT). Das Hyperdense Arterienzeichen (HAS) ist einer der frühesten Hinweise auf einen ischämischen Schlaganfall. Wir stellen eine Deep-Learning-basierte Methode vor, welche unter Einbezug symptomatischer Informationen HAS automatisch segmentieren kann. Die Grundlage dieses selbstlernenden Algorithmus ist ein Datensatz, welcher über 100 Schlaganfall-CTs umfasst und von unserem Partner des UKSH bereitgestellt wurde.

Wir haben untersucht, wie sich die Einbeziehung von Informationen über die betroffene Körperseite, auf der die Schlaganfall-Symptome auftreten, auf die Segmentierung auswirkt. Diese Informationen wurden gemeinsam mit dem zugehörigen CT als Input in das Netzwerk gegeben. Durch diese Erweiterung verbesserte sich der Dice-Score des Modells bei den 34 Testfällen von 0,44 auf 0,52. In 76 % der Fälle konnte ein Dice-Score von > 0,1 erreicht werden, was darauf hinweist, dass das Modell den Thrombus korrekt lokalisieren konnte. Es wurden Leistungsunterschiede in Abhängigkeit von der Art des Verschlusses festgestellt: Bei Verschlüssen in den M1 bzw. M2 Segmenten der arteria cerebri media wurde bei 89 % bzw. 73 % der Testfälle ein Dice-Score von > 0.1 erreicht, was für eine korrekte Lokalisation des Thrombus durch den Algorithmus spricht. Sonstige Verschlüsse z.B. in distaleren Segmenten oder der hinteren Zirkulation wurden nur in 25 % der Testfälle detektiert.

Unsere Studie bestätigt nicht nur die generelle Eignung des Modells. Der Algorithmus bietet den Ärztinnen und Ärzte zahlreiche Vorteile, darunter eine beschleunigte Diagnose, Unterstützung bei der Behandlung und präzise HAS Lokalisierung. Zudem trägt er zur Standardisierung der Behandlung bei, was zu einer effizienteren und genaueren Versorgung der Patienten führt. Insbesondere bei der Behandlungsentscheidung bezüglich Thrombektomie und Thrombolyse spielt dies eine bedeutende Rolle.

Time is Brain: Motivation – Schlaganfallrettungskette

Kommende Woche haben wir die Möglichkeit unsere Arbeit in Form einer Posterdemonstration beim diesjährigen BVM Workshop vorzustellen. Der alljährliche Workshop rund um die Bildverarbeitung für die Medizin (BVM) findet in diesem Jahr vom 2. bis 4. Juli in Braunschweig statt. Seit 1993 dient die Veranstaltung als Treffpunkt für Bildverarbeiter*innen aus dem gesamten deutschsprachigen Raum.

Wir freuen uns darauf, unsere Arbeit mit anderen Expertinnen und Experten zu diskutieren, wertvolle Feedbacks zu erhalten und neue Kontakte zu knüpfen!

Newsletter

Sie möchten regelmäßige Infos über Produktneuheiten, mRay-Updates und anschauliche Tutorial-Videos zu neuen Features? Tragen Sie sich in unseren vierteljährlichen Newsletter ein.

Das könnte Sie auch interessieren

DE

Vielen Dank für Ihre Anmeldung

In Kürze erhalten Sie eine E-Mail, mit der Sie das Abonnement unseres Newsletters bestätigen können.