A Novel Autoencoders-LSTM Model for Stroke Outcome Prediction using Multimodal MRI Data

要約

患者の転帰予測は、虚血性脳卒中の管理において重要です。
この論文では、マルチモーダル磁気共鳴画像法 (MRI) を使用して、脳卒中の結果を予測するための新しい機械学習モデルが提案されています。
提案されたモデルは、オートエンコーダー (AE) の 2 つのシリアル レベルで構成されます。ここで、レベル 1 の異なる AE は、異なる MRI モダリティからユニモーダル機能を学習するために使用され、レベル 2 の AE は、ユニモーダル機能を圧縮されたマルチモーダル機能に結合するために使用されます。
与えられた患者のマルチモーダル特徴のシーケンスは、結果スコアを予測するために LSTM ネットワークによって使用されます。
提案された AE2-LSTM モデルは、MRI データのマルチモダリティと容積測定の性質により適切に対処するための効果的なアプローチであることが証明されています。
実験結果は、提案された AE2-LSTM が、最高の AUC=0.71 と最低の MAE=0.34 を達成することにより、既存の最先端モデルよりも優れていることを示しています。

要約(オリジナル)

Patient outcome prediction is critical in management of ischemic stroke. In this paper, a novel machine learning model is proposed for stroke outcome prediction using multimodal Magnetic Resonance Imaging (MRI). The proposed model consists of two serial levels of Autoencoders (AEs), where different AEs at level 1 are used for learning unimodal features from different MRI modalities and a AE at level 2 is used to combine the unimodal features into compressed multimodal features. The sequences of multimodal features of a given patient are then used by an LSTM network for predicting outcome score. The proposed AE2-LSTM model is proved to be an effective approach for better addressing the multimodality and volumetric nature of MRI data. Experimental results show that the proposed AE2-LSTM outperforms the existing state-of-the art models by achieving highest AUC=0.71 and lowest MAE=0.34.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google