分享:
分享到微信朋友圈
X
综述
深度学习在脑卒中诊断与防治中的研究进展
张思琪 杨添淞 马帅 张淼

Cite this article as: Zhang SQ, Yang TS, Ma S, et al. Research progress of deep learning in stroke diagnosis and prevention[J]. Chin J Magn Reson Imaging, 2022, 13(11): 125-128.本文引用格式:张思琪, 杨添淞, 马帅, 等. 深度学习在脑卒中诊断与防治中的研究进展[J]. 磁共振成像, 2022, 13(11): 125-128. DOI:10.12015/issn.1674-8034.2022.11.024.


[摘要] 近年来,随着人工智能技术快速发展,以深度学习为核心的计算机科学大量应用于医学领域。脑卒中作为人类死亡的常见病因,深度学习在脑卒中诊断与防治中具有较大的应用价值。为了评价深度学习技术在脑卒中疾病中的重要性,本文对深度学习在脑卒中诊断、治疗及预测方面进行了多层次,多角度的系统性回顾,着重探讨多种深度学习方式在脑卒中诊断方面的应用,另外还讨论了目前所遇的瓶颈和深度学习技术在未来的发展前景,以期对临床与医护科研人员进一步研究提供新方向,进一步挖掘深度学习在脑卒中领域的发展潜能。
[Abstract] In recent years, with the rapid development of artificial intelligence technology, computer science with deep learning as the core content has been widely used in the medical field. Stroke is a common cause of human death, and deep learning has great application value in stroke diagnosis and prevention. In order to evaluate the importance of deep learning technology in stroke disease, this paper conducts a systematic review of deep learning in stroke diagnosis, treatment and prediction, and also discusses the current bottlenecks and the future development prospects of deep learning technology, hoping to provide new directions for further research by clinical and medical researchers.
[关键词] 脑卒中;深度学习;人工智能;影像学;诊断治疗;磁共振成像
[Keywords] cerebral stroke;deep learning;artificial intelligence;imaging;diagnosis and treatment;magnetic resonance imaging

张思琪 1   杨添淞 2   马帅 1   张淼 3*  

1 黑龙江中医药大学,哈尔滨 150040

2 黑龙江中医药大学附属第一医院教务科,哈尔滨 150040

3 黑龙江中医药大学附属第二医院针灸八诊室,哈尔滨 150001

张淼,E-mail:13845088833@139.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 国家自然科学基金 82174509
收稿日期:2022-04-06
接受日期:2022-09-29
中图分类号:R445.2  R743.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.11.024
本文引用格式:张思琪, 杨添淞, 马帅, 等. 深度学习在脑卒中诊断与防治中的研究进展[J]. 磁共振成像, 2022, 13(11): 125-128. DOI:10.12015/issn.1674-8034.2022.11.024

       脑卒中又称“中风”或“脑血管意外(cerebralvascular accident, CVA)”,是一种急性脑血管疾病,具有发病率高、死亡率高和致残率高的特征,占全球死亡人群的40%,致残率高达70%,其中重度残疾超过40%[1],位居致死致残疾病首位,约占全部死因12%[2],对人类生活健康和工作造成威胁。在卒中急性阶段,临床医师准确快速决策极为重要,如是否用溶栓药或手术干预以保留受损部位。医学影像学是诊断缺血性脑卒中(cerebral ischemic stoke, CIS)的关键手段,也是临床医师选择治疗手段的重要基础。其中CT显示低密度和扩散加权成像(diffusion-weighted imaging, DWI)显示高信号都可识别缺血性组织。研究者应用这类图像可检测缺血病变大小,预测未来可能发生的病变。目前,医师个人进行手动病变追踪仍为CVA病变分割的金标准[3]。然而手动追踪过程耗费大量时间与劳动力,哪怕操作技术熟练者也会耗费数个小时方可标记。因此如何客观、精准地评估CIS者信息是目前临床面临的一项重大挑战,对于早期预警CIS高风险人群、降低CVA的发生率尤为重要[4, 5]。现代算法应用与数据采集显得格外重要。深度学习在CIS早期筛查诊断[6]、自动识别梗死灶面积[7]、识别血管闭塞状态[8]等方面都有较好的效果。

1 深度学习

       计算机于20世纪40年代问世,随着70多年的发展,人类文明在历史进程中迈向了新的台阶。经典计算法作为机器的主要功能,如决策树、朴素贝叶斯分类算法、随机森林、k-Means算法等[9],在日常生活中屡见不鲜,然而在我们解决更多更深层次的实际问题时,发现传统算法存在诸多弊端。人工智能(artificial intelligence, AI)第一次于1956年美国的达特茅斯会议上首次提出,属于计算机科学领域[10]。AI的核心是机器学习[11],随着计算机设备不断更新换代发展,一种模拟人类神经网络的数学方法—深度学习问世。Malathi等[12]提出混合推理预测疾病,将K-最近邻和Fuzzy sety理论和案例推理构建起来,结果显示此模型能提高预测准确度。Shamdman等[13]在机器学习的基础上研制出心脏病预测系统,通过交叉验证发现支持向量机(support vector machine, SVM)模型预测准确率最高。日本京都大学的一个团队利用一个深层神经网络读取并翻译了人类的思想,“深度图片重构”这一方法超越了二进制像素信息[14]

       近年来,深度学习(deep learning, DL)在工业界贡献极为突出,且在众多其他学科领域中应用广泛,尤其在医疗临床解决实际疑难问题时,DL有较强的表现,是医疗领域的热点,它使用多层人工神经网络(artificial neural network, ANN)来模拟人类大脑[15]。ANN的提出是受中枢神经系统神经元网络的启发,它由连接在一起的各个节点组成,在不同连接之间形成一个具有可变权重的网络。正如无数个神经元组成我们的大脑皮层,当人类进行日常功能活动时,神经元会向中枢神经和其他神经元释放电信号,人们通过采集这些电信号,加之应用各类算法,如DL算法,对这些电信号进行分析,从而指导模型构建。例如,描绘肝脏病变的MRI图像已被用作DL模型的一个输入特征。模型的前几层可初步获得一些基本的病变信息,如肿瘤的形状、位置和方向。下一层可以识别并保持与病变恶性相关的特征,同时忽略不相关的变化。相关特征将被后续更高层以更高级别的特征表示。因此不需要人工进行特征提取。这对实现AI与深度剖析疾病原理具有重要的现实意义,引领机械走向“智能”。

2 DL在脑卒中诊断中的应用

       划分早期CIS梗死灶面积对于疾病的诊断和预估疾病发展有重要意义。CVA患者可通过CT确定疾病类型,其价格平价,噪声影响较小,成像速度优于MRI[16, 17],然而存在无法分辨异常病变的缺点。MRI可规避此缺点,然而价格昂贵,利用率并不高[18]

2.1 基础分割方法

       Chen等[19]认为DWI在早期诊断急性CIS中有优势,可以辨别新旧梗死灶的边界,但因时间与技术限制,MRI手动分割早起梗死灶体积较困难,故提出全自动深度卷积神经网络(convolutional neural networks, CNN)分割法,其识别大小病变的Dice分值分别为0.83、0.61,优于其他CNN,解决了实际问题。了解不同指标的性能对基于AI及CVA研究极为重要。骰子系数(dice coefficient, DC)为两个集合之间重叠的度量,可显示预测与现实分割之间的重叠范围。经调查发现,较多研究使用CNN在急性及亚急性MRI上分割中风病变[20, 21, 22, 23, 24]。Federau等[24]通过DWI合成卒中病变数据从而探索3D U-Net分割,Dice相似系数(Dice similarity coefficient, DSC)为0.72。Zhang等[20]利用特征椎体网络和多平面DWI的U-Net进行CVA病变分割,DSC系数为0.62。CNN具有共享卷积核以及对高维数据处理压力较小的特征,可手动选取特征,在训练好权重情况下,特征分类效果较理想。但其物理含义并不明确,另外由于需要调参数,样本量需求大,因此需要显示核心,即视觉处理器,该算法易丢失大量有价值的信息,忽略了局部与整体之间的联系。

2.2 分割方法优化升级

2.2.1 MRI

       DL的应用主要可以将诊断趋于精准性与全自动化。杨浩[3]总结了当前分割方法和深度神经网络研究的发展问题,研究出针对慢性或亚急性期CVA的基于DL的分割方法,提出了一种用于T1加权影像的跨层融合和上下文推理网络(CLCI-Net),并设计了可视化系统和辅助分析系统,可减轻临床医师诊断的工作压力,减少主观性判断的误差。急性期的CIS在CT中很难检测到,而MRI的灌注图像能检测出关键的缺血性病灶,因此高琛[25]开展了围绕CVA的MRI数据的研究—MRI二维与三维CNN高精度分割。与基于水平集[26]、基于FCM[27]、多尺度CNN[28]、基于3D级联U-Net、非对称型3D残差U-Net相比,级联型3D深度残差网络的敏感度与精确度最高,且速度快,不需要人工干预,在病灶评估上有指导性作用。

2.2.2 康复医学

       康复医学作为CVA诊断组成中重要一部分,逐渐走向智能化、精准化、个性化,其中精准评定是主要方向。刘朗[29]开展了一系列基于DL系统的CVA上肢运动功能的全自动评定方法,针对上肢上臂运动提出基于时间注意力的循环神经网络模型,Brunnstrom分期表达准确率可达100%;针对手部精细运动功能评定提出结合压力传感器和惯性传感器的数据手套,预估Carroll手部运动功能评分与临床医师评分之间的决定系数可达0.93;针对上肢活动功能评定引入视觉深度传感器,可对上肢骨骼空间位置进行实时跟踪,进行的全自动Fugl-Meyer评分估算与临床医师评分的一致性高达0.89。

2.2.3 CT成像

       脑出血CT图像分割准确性是预防患者早期血肿扩大的基础,然而目前存在诸多问题,如图像边缘模糊、空洞现象与灰度不均匀等。张伟[30]结合当下问题,提出基于曲线演化的脑出血CT图像分割算法模型,可自动定位血肿疑似区域轮廓,将符号压力函数与勒让多项式有机结合,将传统计算方法进行改进,解决了以上问题。

2.2.4 其他

       急性大血管闭塞性缺血性卒中(acute ischemic stroke with large vesselocclusion, AIS-LVO)是导致CVA的主要原因之一,虽然静脉溶栓(intravenous thrombosis, IVT)是治疗AIS的有效方法,但是对治疗LVO的血管再通率较低,疗效欠佳。近些年DL逐渐应用于标准化AIS-LVO诊断中。研究显示,CNN检测LVO的敏感度(85%)高于随机森林算法(68%),DL可提高AIS-LVO诊断率,提高临床作业速度[31]。白质高信号(white matter hyperintensity, WMH)是弥漫性脑小血管病和脑萎缩的影像学特征,WMH与CVA病灶的精准分割关系到临床医学与流行病学的深度研究。WMH既往手动分割非常复杂烦琐,Guerrero等[32]发现应用CNN能精确区分二者病灶,且CNN架构表现优于其他算法。美国南加州大学(USC)Mark and Mary Stevens神经影像与信息学研究所王炯炯团队在Stroke发文称,他们寻找到一种替代方法,该方法使临床医生无需缓和注射对比剂即可评估CVA损害程度。无论MRI还是CT扫描都需使用化学对比剂,有些还含有高剂量的X-射线辐射,而另一些则可能对有肾脏或血管疾病的患者造成危害。王炯炯团队设计的DL算法可从一种更安全的大脑扫描类型(伪连续动脉自旋标记)中自动提取有关CVA损害的数据。在评估CVA患者受损脑组织的测试中,该伪连续动脉自旋标记DL模型在两个独立的数据集上均实现了92%的准确度,减轻了诊断过程中给予患者的损伤[33]

       目前,基于DL对脑卒中的诊断主要使用两个不同指标,其一为统计度量Dice相似系数,其二为度量损伤体积。但目前尚缺乏统一的评价指标检测深度学习模型的准确性。

3 DL在脑卒中治疗中的应用

       侧支循环可以维持脑组织再生能力,是CIS恢复程度的决定因素。CT血管成像(CT angiography, CTA)广泛用于血管性疾病诊断,可提供侧支循环重要信息,是评估侧支状态的重要标记。将DL应用于计算机系统,可将CTA侧支循环评分一致性的组内相关系数从0.58提高至0.77,全自动CTA可提供客观性的侧支循环评分,与专家CTA侧支循环评分有高度一致性,且提升了CTA侧支循环评分的可靠性[34]。Ho等[35]采用DL方法提取118例发病时间,为明确患者的具体发病时间提供了新思路。动脉自旋标记联合DL为CIS提供了更为科学化的治疗手段,可较好地识别低灌注区域,其受试者工作特征曲线下面积为0.958,优于传统算法。TOAST分型是目前临床应用最广泛的CVA分型系统,Garg等[36]纳入1091例CIS患者,通过对比人工TOAST和DL机器全自动TOAST发现,二者效果接近,且全自动TOAST分型可一定程度上避免人工判断的差异性,对未来分析CIS病因与分型有指导意义。康复锻炼可以协助患者恢复日常功能,对于CVA患者而言运动再学习是必不可少的过程,《中国脑卒中早期康复治疗指南》也将运动康复列为CVA治疗的核心内容之一[37]。然而现代康复具有成本高、效果不理想的弊端[38]。其操作只需患者配合康复治疗师,在其指导下完成日常康复训练,为外力作用的结果,参与感欠缺。但是我们知道,CVA患者的低级中枢神经损伤需要通过患者主动刺激运动神经,从而诱发神经重塑,这是CVA患者康复的关键,然而传统康复疗法不仅耗费人力物力,而且缺乏患者主动塑造的过程。闫航[39]运用DL技术,着眼于人体动作姿态识别方法,建立了一种在线康复动作识别模型,可实现康复训练过程中对人体动作的监督和指导。穿戴式CVA康复训练动作识别设备应用逐渐广泛,谢平等[40]应用神经网络技术识别8种康复训练常见动作,识别准确率可高达92.86%。

       临床中大多DL研究围绕新问题、新模型、新方法,缺少对既往模型的调查与佐证,且临床治疗的数据集不具有代表性。因此,对已有方法的准确评估及利用DL优势开发预后模型,利于脑卒中疾病得到更好的治疗。

4 DL在脑卒中预测中的应用

       DL在CVA疾病预测方面也有长期贡献。CIS的预测对其治疗有决策作用。Heo等[34]共纳入2604例CIS患者,对其发病后三个月的改良Rankin量表(modified Rankin Scale, mRS)评分进行预估,采用三种机器学习算法[深度神经网络、随机森林与逻辑回归算法以及洛桑卒中量表(Acute Stroke Registry and Analysis of Lausanne, ASTRAL)评分]对比发现,深度神经网络模型性能优于ASTRAL评分,随机森林与逻辑回归模型性能与ASTRAL评分差异无统计学意义。Bacchi等[41]将DL应用于预测CIS溶栓治疗后的放射学结果中,发现NIHSS24评分≥4和mRS90评分0~1的准确度都为0.74。马潇越等[42]通过试验发现,采用DL工具对CIS的分割质量等于或高于手动分割,分割出的缺血核心体积具有高度的一致性,可为CIS预测提供可靠信息。针对目前研究模型缺乏对CVA患者危险等级评估的准确性,杨海波[43]推出基于最大边缘的深度神经网络CVA危险等级预测模型,能将类间散度过大的CVA数据加以整合,提高预估精准度,提升临床实用性。姚春晓[44]着眼于脑血管疾病的预测模型系统的设计与构建,基于长短时记忆神经网络对医疗系统的适用性,提出LSTM神经网络的疾病预估模型,该模型可预测脑血管疾病复发风险等级,将最终测试结果与SVM测试结果进行比对,模型具有有效性。陈鸥宇[45]提出一种以DL和梅尔频率倒谱系数(Mel frequency cestrum coefficient, MFCC)为主要特征的CVA预测方法,即将健康人录音与CVA患者录音进行对比,通过语音微信号处理,将其进行梅尔变换获得MFCC语言特点,最后将MFCC语言特征置于CNN模型中训练,取得CVA预测结果。试验结果可见,其测试集与训练集的准确率均高于逻辑回归。近期有研究证明CNN较更适用于医学成像数据[46, 47, 48]

5 展望

       如今社会老龄化日趋加重,CVA作为慢性病中致死因素排名第一的慢性病种,其严重性已经远超过心血管疾病,给社会和家庭造成严重的负担。在倡导AI赋能、AI向善的今天,DL已涉及多个领域,如文字、数字、图像等,其在医学领域有突出贡献。在医疗信息化层面,DL可自动寻找新特征功能,从医学影像中找出许多复杂程度较高、难以用语言描述出的对比特征。在CIS影像学研究中,DL通过发掘更深层次影像信息,可完成对CIS影像的智能分割、病灶检测、图像分析、预测治疗等工作,减少人为造成的误差,极大提高了临床医师的工作效率,其发展不断深化,为现代医学临床研究作出突出贡献,为后续患者康复提供了更有效的解决方案。DL模型的灵活性也为多模态结合的研究提供了更加有价值的工具。

       虽然DL研究日趋成熟,在一定程度上可以解放临床医师们的双手,但是可研究样本量少仍是最大的弊端,没有较多的临床试验佐证,借此中国卒中杂志于2020年发布了《欢迎人工智能临床研究的新指南》[49],从而更进一步规范了DL在临床的推广。此外,输入数据中的较小改变都容易误导深度学习系统。在一张医学影像中加入极细微的干扰,导致样品被错误剔出分类,反之,无意义的合成样本也容易被归入分类中。另外,DL的大数据缺乏共享途径,未来国内望建立更完善的数据库分享平台。当然,我们不应忽略原始数据的重要性,应深度挖掘寻找其病理病机。DL应进一步与CIS的形态学相交融,为智能、综合评估CIS的发病机制、提早预警疾病发生打基础。DL的大量研究已经广泛开展,仍面临较多挑战。DL作为医工之间的桥梁与交叉学科,其创新发展是此项研究的根本基础,在如今国际竞争激烈的背景下显得格外重要。因此,跨学科深度研究更是AI永葆青春活力的源泉,为个性化、精准化、现代化医学奠定基础。相信随着更多基于临床效能的更优良的试验设计涌现,对DL的深层挖掘也会更上一层台阶。

[1]
Xu G, Ma M, Liu X, et al. Is there a stroke belt in China and why?[J]. Stroke, 2013, 44(7): 1775-1783. DOI: 10.1161/STOKEAHA.113.001238.
[2]
Mendis S, Davis S, Norrving B. Organizational update: the world health organization global status report on noncommunicable diseases 2014; one more landmark step in the combat against stroke and vascular disease[J/OL]. Stroke, 2015 [2022-04-14]. https://www.ahajournals.org/doi/10.1161/STR.OKEAHA.115.008097. DOI: 10.1161/STROKEAHA.115.008097.
[3]
杨浩. 慢性期脑卒中病变分割方法研究[D]. 深圳:中国科学院大学(中国科学院深圳先进技术研究院), 2020. DOI: 10.27822/d.cnki.gszxj.2020.000151.
Yang H. Study on the segmentation method of chronic stroke lesions[D]. Shenzhen: University of Chinese Academy of Sciences (Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences), 2020. DOI: 10.27822/d.cnki.gszxj.2020.000151.
[4]
Feigin VL, Forouzanfar MH, Krishnamurthi R, et al. Global Burden of Diseases, Injuries, and Risk Factors Study 2010 (GBD 2010) and the GBD Stroke Experts Group. Global and regional burden of stroke during 1990-2010: findings from the Global Burden of Disease Study 2010[J]. Lancet, 2014, 83(9913): 245-254. DOI: 10.1016/s0140-6736(13)61953-4.
[5]
Porcu M, Anzidei M, Suri JS, et al. Carotid artery imaging: The study of intra-plaque vascularization and hemorrhage in the era of the "vulnerable" plaque[J]. J Neuroradiol, 2020, 47(6): 464-472. DOI: 10.1016/j.neurad.2019.03.009.
[6]
Abedi V, Goyal N, Tsivgoulis G, et al. Novel Screening Tool for Stroke Using Artificial Neural Network[J]. Stroke, 2017, 48(6): 1678-1681. DOI: 10.1161/STROKEAHA.117.017033.
[7]
秦海强, 张亚清, 张婧, 等. 人工智能在缺血性卒中诊断与治疗中的应用[J]. 中国现代神经疾病杂志, 2021, 21(1): 21-24. DOI: 10.3969/j.issn.1672-6731.2021.01.005.
Qin HQ, Zhang YQ, Zhang J, et al. Application of artificial intelligence in the diagnosis and treatment of ischemic stroke[J]. China Journal of Modern Neurology, 2021, 21(1): 21-24. DOI: 10.3969/j.issn.1672-6731.2021.01.005.
[8]
Takahashi N, Lee Y, Tsai DY, et al. An automated detection method for the MCA dot sign of acute stroke in unenhanced CT[J]. Radiol Phys Technol, 2014, 7(1): 79-88. DOI: 10.1007/s12194-013-0234-1.
[9]
雷波. 数据挖掘中分类算法的研究与应用[J]. 电脑知识与技术, 2019, 15(27): 232-233. DOI: 10.14004/j.cnki.ckt.2019.3252.
Lei Bo. Research and Application of Classification Algorithms in Data Mining[J]. Computer Knowledge and Technology, 2019, 15(27): 232-233. DOI: 10.14004/j.cnki.ckt.2019.3252.
[10]
卢光明, 张志强. 人工智能医学影像[J]. 医学研究生学报, 2018, 31(7): 683-687. DOI: 10.16571/j.cnki.1008-8199.2018.07.003.
Lu GM, Zhang ZQ. Artificial Intelligence Medical Imaging[J]. Journal of Postgraduate Medicine, 2018, 31(7): 683-687. DOI: 10.16571/j.cnki.1008-8199.2018.07.003.
[11]
王拥军, 荆京. 人工智能在神经医学领域应用的现状和展望[J]. 中华内科杂志, 2018, 57(10): 3. DOI: 10.3760/cma.j.issn.0578-1426.2018.10.001.
Wang YJ, Jing J. Current status and prospect of artificial intelligence in neuromedicine[J]. Chinese Journal of Internal Medicine, 2018, 57(10): 3. DOI: 10.3760/cma.j.issn.0578-1426.2018.10.001.
[12]
Malathi D, Logesh R, Subramaniyaswamy V, et al. Hybrid Reasoning-based Privacy-Aware Disease Prediction Support System[J]. Computers & Electrical Engineering, 2019, 73: 114-127. DOI: 10.1016/j.compeleceng.2018.11.009.
[13]
Nashif S, Raihan MR, Islam MR, et al. Heart Disease Detection by Using Machine Learning Algorithms and a Real-Time Cardiovascular Health Monitoring System[J/OL]. World Journal of Engineering and Technology, 2018, 6(4) [2022-04-14]. https://www.scirp.org/journal/papercitationdetails.aspx?paperid=88650&JournalID=2451. DOI: 10.4236/wjet.2018.64057.
[14]
徐雪丽, 段娟, 肖创柏, 等. 基于CNN和SVM的报文入侵检测方法[J]. 计算机系统应用, 2020, 29(6): 39-46. DOI: 10.15888/j.cnki.csa.007464.
Xu XL, Duan J, Xiao CB, et al. Packet intrusion detection method based on CNN and SVM[J]. Computer System Application, 2020, 29(6): 39-46. DOI: 10.15888/j.cnki.csa.007464.
[15]
Lee JG, Jun S, Cho YW, et al. Deep Learning in Medical Imaging: General Overview[J]. Korean J Radiol, 2017, 18(4): 570-584. DOI: 10.3348/kjr.2017.18.4.570.
[16]
Mair G, Wardlaw JM. Imaging of acute stroke prior to treatment: current practice and evolving techniques[J/OL]. Br J Radiol, 2014, 87(1040) [2022-04-14]. https://www.birpublications.org/doi/10.1259/bjr.20140216. DOI: 10.1259/bjr.20140216.
[17]
Kim J, Chhour P, Hsu J, et al. Use of Nanoparticle Contrast Agents for Cell Tracking with Computed Tomography[J]. Bioconjug Chem, 2017, 28(6): 1581-1597. DOI: 10.1021/acs.bioconjchem.7b00194.
[18]
Vilela P, Rowley HA. Brain ischemia: CT and MRI techniques in acute ischemic stroke[J]. Eur J Radiol, 2017, 96: 162-172. DOI: 10.1016/j.ejrad.2017.08.014.
[19]
Chen L, Bentley P, Rueckert D. Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks[J]. Neuroimage Clin, 2017, 15: 633-643. DOI: 10.1016/j.nicl.2017.06.016.
[20]
Zhang L, Song R, Wang Y, et al. Ischemic Stroke Lesion Segmentation Using MULTI-PLANE Information Fusion[J]. IEEE Access, 2020, 8: 45715-45725. DOI: 10.1109/ACCESS.2020.2977415.
[21]
Wu O, Winzeck S, Giese AK, et al. Big Data Approaches to Phenotyping Acute Ischemic Stroke Using Automated Lesion Segmentation of Multi-Center Magnetic Resonance Imaging Data[J]. Stroke, 2019, 50(7): 1734-1741. DOI: 10.1161/STROKEAHA.119.025373.
[22]
Tomita N, Jiang S, Maeder ME, et al. Automatic post-stroke lesion segmentation on MR images using 3D residual convolutional neural network[J/OL]. Neuroimage Clin, 2020, 27 [2022-04-14]. https://linkinghub.elsevier.com/retrieve/pii/S2213158220301133. DOI: 10.1016/j.nicl.2020.102276.
[23]
Liu L, Kurgan L, Wu FX, et al. Attention convolutional neural network for accurate segmentation and quantification of lesions in ischemic stroke disease[J/OL]. Med Image Anal, 2020, 65 [2022-04-14]. https://linkinghub.elsevier.com/retrieve/pii/S1361841520301559. DOI: 10.1016/j.media.2020.101791.
[24]
Liu LL, Chen SW, Zhang FH, et al. Deep convolutional neural network for automatically segmenting acute ischemic stroke lesion in multi-modality MRI[J]. Neural Comput & Applic, 2020, 32: 6545-6558. DOI: https://doi.org/10.1007/s00521-019-04096-x.
[25]
高琛. 基于深度学习的缺血性脑卒中病灶分割的研究[D]. 南昌:南昌大学, 2019. DOI: 10.27232/d.cnki.gnchu.2019.001956.
Gao C. Research on the segmentation of ischemic stroke lesions based on deep learning[D]. Nanchang: Nanchang University, 2019. DOI: 10.27232/d.cnki.gnchu.2019.001956.
[26]
Haeck T, Maes F, Suetens P. ISLES Challenge 2015: Automated Model-Based Segmentation of Ischemic Stroke in MR Images[J]. Iieee Ttransactions on Wwireless Ccommunications, 2013, 12(4): 1512-1523. DOI: 10.1007/978-3-319-30858-6_21.
[27]
Chen TC, You PS, Wu CH, et al. Using FCM Based Hybrid Computational Approach for Diseases Diagnosis in Traditional Chinese Medicine[J]. International Journal of Machine Learning and Computing, 2014, 4(4): 389-393. DOI: 10.7763/IJMLC.2014.V4.442.
[28]
Havaei M, Dutil F, Pal C, et al. A Convolutional Neural Network Approach to Brain Tumor Segmentation[J/OL]. Springer International Publishing, 2015 [2022-04-14]. https://link.springer.com/chapter/10.1007/978-3-319-30858-6_17#citeas. DOI: 10.1007/978-3-319-30858-6_17.
[29]
刘朗. 基于深度学习的脑卒中上肢运动功能自动评定[D]. 西安:电子科技大学, 2020. DOI: 10.27005/d.cnki.gdzku.2020.001509.
Liu L. Automatic assessment of upper limb motor function in stroke based on deep learning[D]. Xi'an: University of Electronic Science and Technology of China, 2020. DOI: 10.27005/d.cnki.gdzku.2020.001509.
[30]
张伟. 基于曲线演化的脑出血CT图像分割算法研究[D]. 重庆:重庆大学, 2019. DOI: 10.27670/d.cnki.gcqdu.2019.000599.
Zhang W. Research on CT Image Segmentation Algorithm Based on Curve Evolution[D]. Chongqing: Chongqing University, 2019. DOI: 10.27670/d.cnki.gcqdu.2019.000599.
[31]
Murray NM, Unberath M, Hager GD, et al. Artificial intelligence to diagnose ischemic stroke and identify large vessel occlusions: a systematic review[J]. Journal of Neurointerventional Surgery, 2019, 12(2): 156-164. DOI: 10.1136/neurintsurg-2019-015135.
[32]
Guerrero R, Qin C, Oktay O, et al. White matter hyperintensity and stroke lesion segmentation and differentiation using convolutional neural networks[J]. NeuroImage: Clinical, 2017, 17: 918-934. DOI: 10.1016/j.nicl.2017.12.022.
[33]
Wang K, Shou Q, Ma SJ, et al. Deep Learning Detection of Penumbral Tissue on Arterial Spin Labeling in Stroke[J]. Stroke, 2020, 51: 489-497. DOI: 10.1161/STROKEAHA.119.027457.
[34]
Heo JN, Yoon JG, Park H, et al. Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke[J]. Stroke, 2019, 50: 1263-1265. DOI: 10.1161/STROKEAHA.118.024293.
[35]
Ho KC, Speier W, Zhang H, et al. A Machine Learning Approach for Classifying Ischemic Stroke Onset Time from Imaging[J]. IEEE Transactions on Medical Imaging, 2019, 38(7): 1666-1676. DOI: 10.1109/TMI.2019.2901445.
[36]
Garg R, Oh E, Naidech A, et al. Automating Ischemic Stroke Subtype Classification Using Machine Learning and Natural Language Processing[J]. Journal of Stroke and Cerebrovascular Diseases, 2019, 28(7): 2045-2051. DOI: 10.1016/j.jstrokecerebrovasdis.2019.02.004.
[37]
中华医学会神经病学分会, 中华医学会神经病学分会神经康复学组, 中华医学会神经病学分会脑血管病学组. 中国脑卒中早期康复治疗指南[J]. 中华神经科杂志, 2017, 50(6): 405-412. DOI: 10.3760/cma.j.issn.1006-7876.2017.06.002.
Neurology Branch of Chinese Medical Association, Neurological Rehabilitation Group of Neurological Branch of Chinese Medical Association, Cerebrovascular Disease Group of Neurological Branch of Chinese Medical Association. Guidelines for early rehabilitation of stroke in China[J]. Chinese Journal of Neurology, 2017, 50(6): 405-412. DOI: 10.3760/cma.j.issn.1006-7876.2017.06.002.
[38]
Wang W, Jiang B, Sun H, et al. Prevalence, Incidence, and Mortality of Stroke in China Clinical Perspective: Results from a Nationwide Population-Based Survey of 480687 Adults[J/OL]. Circulation, 2017, 135(8) [2022-04-14]. https://www.ahajournals.org/doi/10.1161/CIRCULATIONAHA.116.025250. DOI: 10.1161/CIRCULATIONAHA.116.025250.
[39]
闫航. 康复训练场景下的动作与行为识别方法研究[D]. 郑州:郑州大学, 2020. DOI: 10.27466/d.cnki.gzzdu.2020.000597.
Yan H. Research on Action and Behavior Recognition Methods in Rehabilitation Training Scenarios[D]. Zhengzhou: Zhengzhou University, 2020. DOI: 10.27466/d.cnki.gzzdu.2020.000597.
[40]
谢平, 刘欢, 王磊磊, 等. 基于脑肌电反馈的虚拟康复训练系统设计[J]. 仪器仪表学报, 2018, 39(1): 250-257. DOI: 10.19650/j.cnki.cjsi.j1702535.
Xie P, Liu H, Wang LL, et al. Design of virtual rehabilitation training system based on EMG feedback[J]. Journal of Instrumentation, 2018, 39(1): 250-257. DOI: 10.19650/j.cnki.cjsi.j1702535.
[41]
Ba Cc Hi S, Zerner T, Oakden-Rayner L, et al. Deep Learning in the Prediction of Ischaemic Stroke Thrombolysis Functional Outcomes[J/OL]. Academic Radiology, 2019, 27(2) [2022-04-14]. https://www.academicradiology.org/article/S1076-6332(19)30174-6/fulltext. DOI: 10.1016/j.acra.2019.03.015.
[42]
马潇越. 多模态磁共振成像与人工智能在脑卒中患者中的应用[D]. 郑州:郑州大学, 2020. DOI: 10.27466/d.cnki.gzzdu.2020.000087.
Ma XY. Application of multimodal magnetic resonance imaging and artificial intelligence in stroke patients[D]. Zhengzhou: Zhengzhou University, 2020. DOI: 10.27466/d.cnki.gzzdu.2020.000087.
[43]
杨海波. 基于深度学习的脑卒中危险等级预测研究[D]. 重庆:西南大学, 2019. DOI: 10.27684/d.cnki.gxndx.2019.000127.
Yang HB. Prediction of stroke risk level based on deep learning[D]. Chongqing: Southwest University, 2019. DOI: 10.27684/d.cnki.gxndx.2019.000127.
[44]
姚春晓. 基于长短时记忆神经网络的脑血管疾病预测系统研究[D]. 北京:北京交通大学, 2019. DOI: 10.26944/d.cnki.gbfju.2019.000978.
Yao CX. Research on cerebrovascular disease prediction system based on long-term memory neural network[D]. Beijing: Beijing Jiaotong University, 2019. DOI: 10.26944/d.cnki.gbfju.2019.000978.
[45]
陈鸥宇, 刘怡俊, 叶武剑, 等. 基于深度学习和MFCC特征的脑卒中预测方法[J]. 信息与电脑(理论版), 2019(3): 141-143.
Chen OY, Liu YJ, Ye WJ, et al. Method of Cerebral Stroke Prediction Based on Deep Learning and MFCC Features[J]. Information and Computer (Theory Edition), 2019(3): 141-143.
[46]
Krizhevsky A, Sutskever I, Hinton G. ImageNet Classification with Deep Convolutional Neural Networks[J]. Communications of the ACM, 2017, 60(6): 87-90. DOI: 10.1145/3065386.
[47]
Zhang Y, Lobo-Mueller EM, Karanicolas P, et al. CNN-based survival model for pancreatic ductal adenocarcinoma in medical imaging[J/OL]. BMC Med Imaging, 2020, 20(1) [2022-04-14]. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-020-0418-1. DOI: 10.1186/s12880-020-0418-1.
[48]
Chiang CH, Weng CL, Chiu HW. Automatic classification of medical image modality and anatomical location using convolutional neural network[J/OL]. PLoS One, 2021, 16(6) [2022-06-11]. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0253205. DOI: 10.1371/journal.pone.0253205.
[49]
TOPOL EJ, 熊云云, 李子孝, 等. 欢迎人工智能临床研究的新指南[J]. 中国卒中杂志, 2020, 15(11): 1223-1227. DOI: 10.3969/j.issn.1673-5765.2020.11.012.
TOPOL EJ, Xiong YY, Li ZX, et al. Welcome to the new guidelines for clinical research on artificial intelligence[J]. Chinese Journal of Stroke, 2020, 15(11): 1223-1227. DOI: 10.3969/j.issn.1673-5765.2020.11.012.

上一篇 弥散张量成像在孤独症谱系障碍中的应用新进展
下一篇 较低级别脑胶质瘤预后预测的影像组学研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2