Deep Learning-Based Identification of Ischemic Regions in Native Head CT Scans

• Main Author: Hornung, Maximilian
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020
• Subjects: Computer and Information Sciences; Data- och informationsvetenskap
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-272129

Stroke is one of the major causes of death and disability worldwide. Fast diagnosis is of critical importance for stroke treatment. In clinical routine, a non-contrast CT (NCCT) is typically acquired immediately to determine whether the stroke is ischemic or hemorrhagic and plan therapy accordingly. In case of ischemia, early signs of infarction may appear due to increased water uptake. These signs may be subtle, especially if observed only shortly after symptom onset, but hold the potential to provide a crucial first assessment of the location and extent of the infarction. In this paper, we train a deep neural network to predict the infarct core from NCCT in an image-to-image fashion. To facilitate exploitation of anatomic correspondences, learning is carried out in the standardized coordinate system of a brain atlas to which all images are deformably registered. Apart from binary infarct core masks, perfusion maps such as cerebral blood volume and flow are employed as additional training targets to enrich the physiologic information available to the model. The method is evaluated using cross validation on the training data set consisting of 141 cases. For validation, we measure the overlap with the ground truth masks, the localisation performance and the agreement with both manual and automatic assessment of affected ASPECTS regions. It is shown that the additional targets improve the results signficantly, achieving an area-under-curve of 0.835 when compared with the automated assessment in ASPECTS region classification and providing a distance of 0 mm between the prediction maximum and the indicated stroke infarct core in the majority of severe strokes with an infarct core volume greater than 70 ml. === Stroke är en av de viktigaste orsakerna till dödsfall och funktionshinder över hela världen. Snabb diagnos är av avgörande betydelse för strokebehandling. I klinisk rutin utförs en datortomografi utan kontrastmedel omedelbart för att bestämma om en stroke är ischemisk eller hemorragisk och terapi planeras baserat på resultatet. I händelse av en ischemisk stroke kan tidiga tecken på infarkt uppstå på grund av ökat vattenupptag. Dessa tecken kan vara subtila, särskilt om de bara observeras strax efter symptomen börjat, men har potential att ge en avgörande första bedömning av infarktens plats och omfattning. I detta projekt tränar vi ett djupt neuralt nätverk för att förutsäga infarktkärnan från datortomografibilder på ett bild-till-bild-sätt. För att underlätta utnyttjandet av anatomiska korrespondenser genomförs lärandet i det standardiserade koordinatsystemet i en hjärnatlas i vilken alla bilder är deformerbart registrerade. Förutom binära infarktkärnmasker, används  erfusionskartor såsom cerebral blodvolym och flöde som ytterligare träningsmål. Därmed finns mer fysiologisk information som det neurala nätverket kan tränas på. Metoden utvärderas med hjälp av korsvalidering på träningsdatauppsättningen bestående av 141 patienter. För validering mäter vi överlappningen med de observerade maskerna, lokaliseringens kvalitet och utvärdering med både manuell och automatisk bedömning av berörda ASPECTS-regioner. Det visas att de ytterligare målen förbättrar resultaten betydande och uppnår en area-under-kurva på 0,835 jämfört med automatisk bedömning av klassifikationen av ASPECTS-regioner och ger ett avstånd av 0 mm mellan förutsägelsen maximalt och strokeinfarktkärnan i majoriteten av allvarliga fall av stroke med en infarktkärnvolym större än 70 ml.