深度學習之影像分析輔助來自動偵測及預測腦血管疾病

顱內動脈狹窄（ICAS），動脈瘤，急性缺血性腦中風（AIS）和急性出血性腦中風（AHS）都是非常嚴重的腦神經疾病，需要緊急醫療介入。醫生使用各種影像來檢查這些腦部疾病，例如電腦斷層攝影（CT），電腦斷層血管攝影（CTA），磁振造影（MRI），磁振造影血管攝影（MRA）和數位式減法血管攝影（DSA）的影像。這些影像都高度非結構化，並且會以DICOM格式儲存。當腦部疾病患者入住醫院後，會產生大量的影像及臨床資料，而且通常是無結構的。所有這些腦部疾病的醫學影像都存在長庚紀念醫院（CGMH）的PACS系統和長庚醫療體系腦中風登錄資料庫（SRICHS）中。因為影像包含各種格式以及各種資料類型，用傳統統計學來處理和分析這些資料非常困難且耗時。此外，這些醫學影像檔案很大，每位病患約有100-150張影像。分析影像中的各項特徵並手動得將特徵與臨床資料連結是一項繁瑣的工作。在處理大量非結構化資料來預測腦部疾病方面，目前常用的傳統統計學工具（例如：ANOVA、ANCOVA、MANCOVA）效率不彰。擬議的三年期整合型計畫有腦中風神經學家和神經放射學家作為資料團隊，以支持有關腦疾病和各自的臨床領域知識。根據醫生的建議，我們的人工智能（AI）團隊希望在人體試驗倫理委員會的同意下收集不同格式的回溯性影像資料，以使用深度學習（DL）分析和設計各種預測模型。此提案的目標是使用AI處理和分析回溯性腦部影像，以設計和建立自動結果預測模型。在計劃的第一年，將通過使用DL分析ICAS的MRA影像來完成顱內動脈狹窄區域的自動分類和檢測。此外，在這一年也會完成狹窄區域的量化。在第二年，將對動脈瘤的回溯性DSA和NCCT影像資料進行分析，以對顱內出血（ICH）和蜘蛛膜下腔出血（SAH）患者進行分類。將使用深度卷積神經網絡對未破裂的動脈瘤患者的SAH風險進行自動預測。在第3年，將為缺血性和出血性腦中風區域設計自動定位模型。也會設計自動偵測缺血性腦中風發作時間和血腫進展模型的確認。所有影像和臨床資料都會使用TensorFlow，Keras和OpenCV框架中的深度卷積神經網絡以及用Alexnet，VGG 16，ResNet 50和Inception V3架構進行分析。將通過修改隱藏層來設計新的訓練模型，以自動定位和檢測上述的神經系統疾病。

系統編號:PB10907-2519
原計畫編號:MOST109-2221-E182-014