Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models

要約

大血管閉塞を有する急性虚血性脳卒中（AIS）患者に対して，臨床医は機械的血栓除去術（MTB）の有益性が侵襲的処置後のリスクと潜在的合併症を上回るかどうかを判断する必要がある．治療前のCT（コンピュータ断層撮影）とCTA（血管造影）は、脳血管の閉塞を特徴づけるために広く使用されている。患者が適応と判断された場合、Modified Treatment in cerebral ischemia（mTICI）スコアを用いて、MTB処置中および処置後の血流の再確立の程度を評価する。再疎通の成功の可能性を推定することで、治療の意思決定を支援することができる。本研究では、治療前のCTおよびCTA画像を用いて、患者の再疎通スコアを完全に自動予測することを提案した。我々は，空間交差注意ネットワーク（SCANet）を設計し，視覚変換器を用いて適切なスライスと脳領域に局在化させた．我々のトップモデルは，平均クロスバリデーション ROC-AUC で 77.33$ 3.9% を達成した．これは、MTBのための適格なAIS患者の識別のためのCTおよびCTA上の深層学習の将来のアプリケーションをサポートする有望な結果である。

要約(オリジナル)

For acute ischemic stroke (AIS) patients with large vessel occlusions, clinicians must decide if the benefit of mechanical thrombectomy (MTB) outweighs the risks and potential complications following an invasive procedure. Pre-treatment computed tomography (CT) and angiography (CTA) are widely used to characterize occlusions in the brain vasculature. If a patient is deemed eligible, a modified treatment in cerebral ischemia (mTICI) score will be used to grade how well blood flow is reestablished throughout and following the MTB procedure. An estimation of the likelihood of successful recanalization can support treatment decision-making. In this study, we proposed a fully automated prediction of a patient’s recanalization score using pre-treatment CT and CTA imaging. We designed a spatial cross attention network (SCANet) that utilizes vision transformers to localize to pertinent slices and brain regions. Our top model achieved an average cross-validated ROC-AUC of 77.33 $\pm$ 3.9\%. This is a promising result that supports future applications of deep learning on CT and CTA for the identification of eligible AIS patients for MTB.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL