آنالیز تصاویر پزشکی با استفاده از هوش مصنوعی تک حالته – بخش اول

این مقاله به عنوان سومین نوشته آموزشی از مجموعه مقالات هوش مصنوعی در سلامت (AI-based Health)، با استناد به مراجع علمی معتبر و پایان نامه کارشناسی ارشد نویسندگان و با هدف آموزش دانشجویان، فارغ‌التحصیلان، شاغلان و علاقمندان حوزه مهندسی پزشکی با رویکرد آنالیز تصاویر پزشکی نوشته‌ شده است. ما در این مقاله، به داده‌های تصویری (پیکسلی/وکسلی) از طبقه بندی داده‌های ورودی دارای ساختاری و بدون ساختار می‌پردازیم. در بخش الف، مفاهیم کاربردی، ساختار و فرمت تصاویر پزشکی بررسی می‌‌شوند. در بخش ب، نحوه تولید تصاویر پزشکی در مدالیته‌های مختلف تصویربرداری پزشکی مرور می‌‌شوند. این مرور شامل مقایسه ساختاری و عملکردی آن‌ها با یکدیگر، تکنیک‌های کاربردی تصویرگیری و بهبود کیفیت تصاویر، کاربردهای بالینی سیستم‌های تصویربرداری پزشکی و آخرین مطالعات مرتبط با چالش‌های موجود در عملکرد این سیستم‌ها است و در انتها، منابع معتبری که به آن استناد کرده‌ایم مورد بررسی قرار خواهند گرفت تا در صورت تمایل به مطالعه بیشتر، به ‌راحتی آدرس‌دهی شده و قابل ‌دسترس باشند. هدف اصلی آشنایی با کاربردهای امروز الگوریتم‌های هوش مصنوعی در آنالیز تصاویر پزشکی از دید کل به جزء است. ابتدا باید با چشم انداز کلی دستاوردهای این حوزه آشنا شویم سپس در مقالات بعدی مرحله به مرحله به جزئیات پرداخته خواهد شد.
این مقاله با دسترسی آزاد در ماهنامه «مهندسی پزشکی و تجهیزات آزمایشگاهی» منتشر شده که طبق مفاد آن هرگونه استفاده غیرتجاری تنها در صورتی مجاز است که به اثر اصلی به نحو مقتضی (سرایی و رحمانی، ماهنامه مهندسی پزشکی و تجهیزات آزمایشگاهی، 1400) استناد و ارجاع داده ‌شده باشد.
در یک دهه اخیر آنالیز تصاویر پزشکی مبتنی بر هوش مصنوعی تک حالته با سرعت زیادی در دانش پزشکی رشد کرده است به طوریکه تا سال 2020 نرخ رشد پژوهش‌های مرتبط 68/2 برابر شده است. وظایفی چون دسته بندی، تشخیص و بخش بندی به عنوان تکنیک‌های اساسی یادگیری ماشین و یادگیری عمیق در تحقیقات مذکور نقش به سزایی را بر عهده داشتند. تأثیر مثبت الگوریتم‌های یادگیری عمیق در فناوری‌های تصویربرداری پزشکی طراحی شده امروزی نیز کاملاً مشخص هستند. در واقع یادگیری عمیق به عنوان آخرین نسل تکنیک‌های هوش مصنوعی کشف شده، با حل مشکل شکننده بودن روش‌های سنتی یادگیری ماشین، در تصویربرداری پزشکی در هر چهار مرحله از چرخه اقدامات پزشکی شامل پیشگیری، تشخیص (غربالگری یا تشخیص زودهنگام و پیش بینی یا تخمین)، درمان و کنترل، انقلابی بزرگ ایجاد کرده است اما نیاز به جمع آوری مجموعه داده‌های ورودی با حجم بالا برای رسیدن به دقت، صحت و حساسیت نزدیک به انسان، این فناوری را به چالش جدی کشانده است.
همانطور که در شکل 1 نشان داده شده است در دنیای واقعی داده‌های ورودی به دو دسته کیفی یا طبقه‌ای (ساخته شده از کلمات) و کمّی یا عددی (ساخته شده از اعداد) تقسیم بندی می‌شوند. داده‌های کمّی شامل داده‌های عددی پیوسته (نظیر وزن و قد بیمار، حرارت بدن بیمار، زمان مراجعه قبلی، برخی نتایج آزمایشگاهی و غیره) و عددی گسسته نظیر سن بیمار، تعداد ضربان قلب، تعداد تنفس بیمار و … هستند. داده‌های کیفی از داده‌های جدولی دارای ساختاری مشخص نظیر وضعیت عمومی بیمار، جنسیت بیمار، وضعیت رضایت مندی بیمار، برخی نتایج آزمایشگاهی و … و داده‌های بدون ساختار که فرمت مشخصی ندارند شامل داده‌های متنی مانند پرونده الکترونیکی سلامت بیمار، گزارش‌های پزشکی و … و داده‌های تصویری نظیر تصاویر پزشکی اخذ شده از مدالیته های تصویربرداری پزشکی و داده‌های سری زمانی شامل ویدیویی نظیر اولتراسوند، تشدید رزونانس مغناطیسی عملکردی و … ، داده‌های صوتی (گفتگوی پزشک با بیمار و غیره)، داده‌های پالسی (الکتروکاردیوگرافی، الکتروانسفالوگرافی، الکترومایوگرافی و …)، داده‌های حسی و تمامی داده‌هایی که در طول زمان‌های مختلف مشاهده می‌شوند و یا به دست می‌آیند تشکیل شده‌اند. نوع دیگری از تقسیم بندی نیز برای انواع داده‌های ورودی وجود دارد که تحت عنوان‌های داده‌های اسمی و ترتیبی (زیرمجموعه داده‌های کیفی)، فاصله‌ای و نسبی (زیرمجموعه داده‌های کمّی) مطرح شده‌اند.

شکل 1: طبقه بندی انواع داده‌های ورودی

الف) تصویر پزشکی (داده تصویری)
تصویر پزشکی، مجموعه‌ای از اندازه‌گیری‌های دو بعدی و سه بعدی جذب اشعه در تصویربرداری با اشعه ایکس، دامنه رادیوفرکانسی در تشدید رزونانس مغناطیسی، فشار صوتی در اولتراسوند یا جذب تشعشعات هسته‌ای در توموگرافی انتشار پوزیترون از بافت‌های مختلف بدن انسان است که اختلاف شدت روشنایی را سبب می‌شود. از نظر ریاضی، تصویر پزشکی تابعی از دو متغیر حقیقی است که در آن I شدت روشنائی تصویر در موقعیت مکانی است. یک تصویر پزشکی می‌تواند دارای زیرتصاویر باشد که به آن‌ها «نواحی مورد توجه» گفته می‌شود. این مورد بیانگر آن است که تصاویر پزشکی شامل مجموعه‌هایی از زیرتصویرها هستند که هر کدام پایه یک ناحیه را تشکیل می‌دهند. مجموعه این نواحی در تصویر دارای اطلاعات مفیدی هستند که به آن «داده تصویر پزشکی» یا «داده تصویری» یا «داده پیکسلی/وکسلی» می‌گویند و توسط پژوهشگران تصویربرداری پزشکی از یک آرایه از عناصر تصویر شامل پیکسل در فضای دو بعدی و وکسل در فضای سه بعدی استخراج می‌شوند. رزولوشن بالای پیکسلی و وکسلی و همچنین افزایش تراکم اطلاعات، دو عامل مهم اندازه گیری در تصاویر پزشکی هستند که تا به امروز، یکی از دلایل اصلی ایجاد روش‌های مختلف اخذ تصویر تحت عنوان «مدالیته‌های تصویربرداری پزشکی» به شمار می‌روند. این مدالیته ها در سطوح سلولی، مولکولی و بالاتر، حجم بزرگی از تصاویر را از ساختار و عملکرد ارگان‌های داخلی بدن تولید می‌کنند که این امر پزشکان را قادر می‌‌کند تا اطلاعات مفیدی از داده‌های بیمار به دست آورند.
مفهوم مهم دیگر، «فرمت فایل تصویر پزشکی» تولید شده از مدالیته‌های مختلف تصویربرداری پزشکی است. این فرمت شاملANALYSIS 7.5 (1980) با پسوند «img/hdr.»، (2000) NIFTI با پسوند «nii.»، (1992) MINC با پسوند «mnc.» و معروف‌ترین آن‌ها (1993) DICOM با پسوند «dcm.» است که از دو کامپوننت اطلاعاتی «متاداده» و «داده تصویری» تشکیل شده است. کامپوننت متاداده بیانگر اطلاعات فنی (نظیر ابعاد تصویر، عمق پیکسل، رزولوشن فضایی، تنطیمات سیستم)، اطلاعات توصیفی (نظیر توضیح تصویر، اطلاعات اپراتور سیستم، عنوان، نظرات و کلیدواژه‌های مرتبط با تصویر) و اطلاعات مدیریتی (نظیر هشدارها، محدودیت‌ها، اطلاعات تماس) است که توسط سیستم تصویربرداری پزشکی بالای تصویر اخذ شده به صورت اتوماتیک یا دستی نوشته می‌شود. کامپوننت داده تصویری همان مقادیر شدت اولیه پیکسل‌ها است که در جایگاهی تحت عنوان «بیت» ذخیره می‌شوند. به تعداد بیت‌های هر پیکسل که می‌تواند دو مقدار صفر یا یک را بگیرند «عمق رنگ یا عمق بیت» گفته می‌شود. به عنوان مثال، تصاویر پزشکی سیاه تا سفید استخراج شده از سیستم‌های تصویربرداری اشعه ایکس، توموگرافی کامپیوتری و تشدید رزونانس مغناطیسی 8 یا 16 بیتی هستند (عمق رنگ: 28 یا 216) در صورتی که تصاویر پزشکی رنگی دارای سه زیر پیکسل قرمز، سبز و آبی استخراج شده از توموگرافی انتشار پوزیترون 24 بیتی هستند (عمق رنگ:224). هر چه عمق بیت تصویر بیشتر باشد، تعداد رنگ تولیدی توسط بیت‌های تصویر بیشتر و کیفیت تصویر بالاتر است (شکل 2).

شکل 2: تصاویر پزشکی قلب انسان اخذ شده از مدالیته های متداول تصویربرداری پزشکی

ب) تصویربرداری پزشکی
تصویربرداری پزشکی در پارادیم ساختاری و عملکردی و حتی مولکولی و سلولی جهت تسهیل فرآیندهای غربالگری زودهنگام، پایش مستمر، تشخیص بیماری، تصمیم گیری به موقع و حتی درمان بیماری در شرایط مختلف پزشکی به صورت غیر تهاجمی به کار گرفته می‌شود. سیستم کلی مشترک اخذ تصویر در مدالیته‌های مختلف تصویربرداری پزشکی به ترتیب شامل سنسور (منبع تابش داخل یا خارج از بدن)، بافت بدن (نرم یا سخت)، آشکارساز، آنالیز ریاضی (محاسبات پردازشی) و نمایش تصویر است. مدالیته های مختلف تصویربرداری پزشکی ویژگی‌های منحصر به فرد و پاسخ‌های متفاوتی به سیستم‌های اصلی بدن دارند و در طول زمان تکامل یافته‌اند و قادرند در اهداف بالینی متنوعی مورد استفاده قرار گیرند به طوری که نقش هوش مصنوعی تک حالته در این سیستم‌های جدید تصویربرداری از سال 2020 تاکنون مشهود است (شکل 3).

شکل 3: روند پیدایش مدالیته های متداول تصویربرداری پزشکی

مدالیته های رایجی که بیش از بقیه برای اهداف بالینی مورد استفاده قرار می‌گیرند شامل تصویربرداری اشعه ایکس، تصویربرداری اولتراسوند، تصویربرداری تشدید رزونانس مغناطیسی و تصویربرداری توموگرافی انتشار پوزیترون هستند (البته روش‌های تصویربرداری اپتیکال و میکروسکوپی نیز در این حوزه مورد استفاده قرار می‌گیرند اما متداول نیستند). به عنوان مثال، عمدتاً از تصویربرداری اشعه ایکس در فرآیند تشخیص ترومای استخوان، از تصویربرداری توموگرافی کامپیوتری و تصویربرداری اشعه ایکس برای تشخیص بیماری‌های ریوی نظیر کووید-19، از تصویربرداری توموگرافی کامپیوتری و تصویربرداری تشدید رزونانس مغناطیسی برای تشخیص بیماری‌های قلبی و عروقی و غربالگری بیماری‌های کبدی و تشخیص انواع سکته‌های مغزی (شایع‌ترین علل اصلی مرگ انسان‌های جهان)، همچنین از توموگرافی کامپیوتری جهت تشخیص خونریزی داخل مغزی و از آنژیوگرافی توموگرافی کامپیوتری و آنژیوگرافی رزونانس مغناطیسی برای تشخیص آنوریسم داخل مغزی استفاده می شود.

منابع:

S.-C. Huang, A. Pareek, S. Seyyedi, I. Imon Banerjee and M. P. Lungren, “Fusion of medical imaging and electronic health records using deep learning: a systematic review and implementation guidelines,” NPJ Digital Medical, vol. 3, no. 136, 2020.
M. Komatsu, A. Sakai, A. Dozen, K. Shozu, S. Yasutomi, H. Machino, K. Asada, S. Kaneko and R. Hamamoto, “Towards Clinical Application of Artificial Intelligence in Ultrasound Imaging,” Biomedicines, vol. 9, no. 720, 2021.
B. J. Erickson, “Artificial intelligence in medicine: Technical basis and clinical applications,” in Artificial intelligence in medicine, Academic Press, 2021, pp. 19-21.
S. K. Zhou, H. Greenspan, C. Davatzikos, J. S. Duncan, B. Van-Ginneken, A. Madabhushi, J. L. Prince, D. Rueckert and R. M. Summers, “A review of deep learning in medical imaging: imaging traits, technology trends, case studies with progress highlights, and future promises,” Proceedings of the IEEE, vol. 109, no. 5, pp. 820-838, 2021.
R. Galea, L. Diosan, A. Andreica, L. Popa, S. Manole and Z. Bálint, “Region-of-interest based cardiac image segmentation with deep learning,” Applied Science, vol. 11, no. 4, pp. 4-6, 2021.
M. J. Willemink, W. A. Koszek, C. Hardell, J. Wu, D. Fleischmann, H. Harvey, L. F. Folio, R. M. Summers, D. L. Rubin and M. P. Lungren, “Preparing medical imaging data for machine learning,” Radiology, vol. 295, no. 1, pp. 4-15, 2020.
M. Larobina and L. Murino, “Medical image file format,” Digital Imaging, vol. 27, no. 2, pp. 200-206, 2014.
I. Domingues, G. Pereira, P. Martins, H. Duarte, J. Santos and P. Henriques, “Using deep learning techniques in medical imaging: a systematic review of applications on CT and PET,” Artificial Intelligence Review, vol. 53, pp. 4093-4160, 2020.
G. Murtaza, L. Shuib, A. W. Abdul-Wahab, G. Mujtaba, H. F. Nweke, M. A. Al-garadi, F. Zulfiqar, G. Azmi and N. A. Azmi, “Deep learning-based breast cancer classification through medical imaging modalities: state of the art and research challenges. Artif Intell Rev 53, 1655–1720 (2020),” Artificial Intelligence Review, vol. 53, pp. 1675-1720, 2020.
P. Sriramakrishnan, T. Kalaiselvi, S. T. Padmapriya, N. Shanthi, S. Ramkumar and N. Kalaichelvi, “An medical image file formats and digital image conversion,” International Journal of Engineering and Advanced Technology (IJEAT), vol. 9, no. 1S4, pp. 74-78, 2019.
M. Rutherford, S. K. Mun, B. Levine, W. Bennett, K. Smith, P. Farmer, Q. Jarosz, U. Wagner, J. Freyman, G. Blake, L. Tarbox, K. Farahani and F. Prior, “A DICOM dataset for evaluation of medical image de-identification,” Scientific Data, vol. 8, no. 138, 2021.
D. Korenblum, D. Rubin, S. Napel, C. Rodriguez and C. Beaulieu, “Managing biomedical image metadata for search and retrieval of similar images,” Digital Imaging, vol. 24, no. 4, pp. 739-748, 2011.
J. Beutel, H. L. Kundel and R. L. Van-Metter, Handbook of Medical Imaging, vol. 1, SPEI Press, 2000.
J. T. Bushberg, J. A. Seibert and J. E. Leidholdt, The essential physics of medical imaging, 4 ed., Philadelphia: Lippincott Williams & Wilkins (LWW), 2020.
H. Kasban, M. El-Bendary and D. H. Salama, “Comparative study of medical imaging techniques,” International Journal of Information Science and Intelligent System, vol. 4, no. 2, pp. 37-58, 2015.
H. Kasban and A. Mahmood, “Integrating big data with medical imaging,” International Journal of Engineering and Advanced Technology, vol. 8, no. 6S3, 2019.
L. Xiaoqing, G. Kunlun, L. Bo, P. Chengwei, L. Kongming, Y. Lifeng, M. Jiechao, H. Fujin, Z. Shu, P. Siyuan and P. Yizhou, “Advances in deep learning-based medical image analysis,” Health Data Science, 2021.
N. Goel, A. Yadav and B. M. Sing, “Medical image processing: a review,” in 2nd International Innovative Applications of Computational Intelligence on Power, Energy and Controls with their Impact on Humanity (CIPECH), 2016.
J. Olczak, N. Fahlberg, A. Maki, A. S. Razavian, A. Jilert, A. Stark, O. Sköldenberg and M. Gordon, “Artificial intelligence for analyzing orthopedic trauma radiographs,” Acta Orthopaedica, vol. 88, no. 6, p. 581–586, 2017.
T. Urakawa, Y. Tanaka, S. Goto, H. Matsuzawa, K. Watanabe and N. Endo, “Detecting intertrochanteric hip fractures with orthopedist-level accuracy using a deep convolutional neural network,” Skeletal Radiology, vol. 48, no. 2, p. 239–244, 2019.
M. A. Badgeley, J. R. Zech, L. Oakden-Rayner, B. S. Glicksberg, M. Liu, W. Gale, M. V. McConnell, B. Percha, T. M. Snyder and J. T. Dudley, “Detecting hip fractures with radiologist-level performance using deep neural networks,” NPJ Digitial Medical, vol. 2, no. 31, 2019.
J. D. Krogue, K. V. Cheng, K. M. Hwang, P. Toogood, E. G. Meinberg, E. J. Geiger, M. Zaid, K. C. McGill, R. Patel, J. H. Sohn, A. Wright, B. F. Darger, K. A. Padrez, E. Ozhinsky, S. Majumdar and V. Pedoia, “Automatic hip fracture identification and functional subclassification with deep learning,” Radiology: Artificial Intelligence, vol. 2, no. 2, 2020.
K. Gan, D. Xu, Y. Lin, Y. Shen, T. Zhang, K. Hu, K. Zhou, M. Bi, L. Pan, W. Wu and Y. Liu, “Artificial intelligence detection of distal radius fractures: a comparison between the convolutional neural network and professional assessments,” Acta Orthopaedica, vol. 90, no. 4, pp. 394-400, 2019.
Y. L. Thian, Y. Li, P. Jagmohan, D. Sia, V. Chan and R. T. Tan, “Convolutional neural networks for automated fracture detection and localization on wrist radiographs,” Radiology. Artificial Intelligence, vol. 1, no. 1, 2019.
S. Wu, L. Yan, X. Liu, Y. Yu and S. Zhang, “An end-to-end network for detecting multi-domain fractures on X-ray images,” in IEEE International Conference on Image Processing (ICIP), 2020.
H.-Z. Wu, L.-F. Yan, X.-Q. Liu, Y.-Z. Yu, Z.-J. Geng, W.-J. Wu, C.-Q. Han, Y.-Q. Guo and B.-L. Gao, “The feature ambiguity mitigate operator model helps improve bone fracture detection on X-ray radiograph,” Scientific Report, vol. 11, no. 1, 2021.
H. Farhat, G. E. Sakr and R. Kilany, “Deep learning applications in pulmonary medical imaging: recent updates and insights on COVID-19,” Machine Vision and Applications, vol. 31, no. 53, 2020.
T. Aishwarya and V. Ravi Kumar, “Machine learning and deep learning approaches to analyze and detect COVID-19: a review,” SN Computer Science, vol. 2, no. 3, 2021.
J. Zhang, S. Gajjala, P. Agrawal, G. H. Tison, L. A. Hallock, L. Beussink-Nelson, M. H. Lassen, E. Fan, M. A. Aras, C. Jordan, K. E. Fleischmann, M. Melisko, A. Qasim, S. J. Shah, R. Bajcsy and R. C. Deo, “Fully automated echocardiogram interpretation in clinical practice,” Circulation, vol. 138, no. 16, pp. 1623-1635, 2018.
J. P. Howard, J. Tan, M. J. Shun-Shin, D. Mahdi, A. N. Nowbar, A. D. Arnold, Y. Ahmad, P. McCartney, M. Zolgharni, N. Linton, N. Sutaria, B. Rana, J. Mayet, D. Rueckert, G. D. Cole and D. P. Francis, “Improving ultrasound video classification: an evaluation of novel deep learning methods in echocardiography,” Journal of Medical Artificial Intelligence, vol. 3, no. 4, 2020.
D. M. Vigneault, W. Xie, C. Y. Ho, D. A. Bluemke and J. A. Noble, “Ω-Net (Omega-Net): Fully automatic, multi-view cardiac MR detection, orientation, and segmentation with deep neural networks,” Medical Image Analysis, vol. 48, pp. 95-106, 2018.
Z. Xiong, V. V. Fedorov, X. Fu, E. Cheng, R. Macleod and J. Zhao, “Fully Automatic Left Atrium Segmentation From Late Gadolinium Enhanced Magnetic Resonance Imaging Using a Dual Fully Convolutional Neural Network,” IEEE Transactions on Medical Imaging, vol. 38, no. 2, pp. 515-524, 2019.
S. Moccia, R. Banali, C. Martini, G. Muscogiuri, G. Pontone, M. Pepi and E. G. Caiani, “Development and testing of a deep learning-based strategy for scar segmentation on CMR-LGE images,” MAGMA, vol. 32, no. 2, pp. 187-195, 2019.
H. Suzuki, C. Qin, G. Tarroni, O. Oktay, P. M. Matthews and D. Rueckert, “Recurrent neural networks for aortic image sequence segmentation with sparse annotations,” in International Conference on Medical Image Computing and Computer-Assisted Intervention, 2018.
E. D. Morris, A. I. Ghanem, M. Dong, M. V. Pantelic, E. M. Walker and C. K. Glide-Hurst, “Cardiac substructure segmentation with deep learning for improved cardiac sparing,” Medical Physics, vol. 47, no. 2, pp. 576-586, 2020.
E. Vorontsov, M. Cerny, P. Régnier, L. Di Jorio, C. J. Pal, R. Lapointe, F. Vandenbroucke-Menu, S. Turcotte, S. Kadoury and A. Tang, “Deep learning for automated segmentation of liver lesions at CT in patients with colorectal cancer liver metastases,” Radiology: Artificial Intelligence, vol. 1, no. 2, 2019.
M. D. A. Van-Gastel, M. E. Edwards, V. E. Torres, B. J. Erickson, R. T. Gansevoort and T. L. Kline, “Automatic measurement of kidney and liver volumes from MR images of patients affected by autosomal dominant polycystic kidney disease,” Journal of the American Society of Nephrology, vol. 30, no. 8, pp. 1514-1522, 2019.
S. H. Zhen, M. Cheng, Y. B. Tao, Y. F. Wang, S. Juengpanich, Z. Y. Jiang, Y. K. Jiang, Y. Y. Yan, W. Lu, J. M. Lue, J. H. Qian, Z. Y. Wu, J. H. Sun, H. Lin and X. J. Cai, “Deep learning for accurate diagnosis of liver tumor based on magnetic resonance imaging and clinical data,” Frontiers in Oncology, vol. 10, no. 680, 2020.
X. Liu, J. L. Song, S. H. Wang, J. W. Zhao and Y. Q. Chen, “Learning to diagnose cirrhosis with liver capsule guided ultrasound image classification,” Sensors (Basel), vol. 1, no. 149, 2017.
K. J. Choi, J. K. Jang, S. S. Lee, Y. S. Sung, W. H. Shim, H. S. Kim, J. Yun, J. Y. Choi, Y. Lee, B. K. Kang, J. H. Kim, S. Y. Kim and E. S. Yu, “Development and validation of a deep learning system for staging liver fibrosis by using contrast agent-enhanced CT images in the liver,” Radiology, vol. 298, no. 3, pp. 688-697, 2018.
A. Clèrigues, S. Valverde, J. Bernal, J. Freixenet, A. Oliver and X. Lladó, “Acute and sub-acute stroke lesion segmentation from multimodal MRI,” Computer Methods & Programs in Biomedicine, vol. 194, no. 105521, 2020.
“Deep convolutional neural network for automatically segmenting acute ischemic stroke lesion in multi-modality MRI,” Neural Computing and Applications, vol. 32, no. 11, pp. 6545-6558, 2020.
L. Chen, P. Bentley and D. Rueckert, “Fully automatic acute ischemic lesion segmentation in dwi using convolutional neural networks,” NeuroImage: Clinical, vol. 15, pp. 33-643, 2017.
M. Katan and A. Luft, “Global burden of stroke,” Seminars in Neurology, vol. 38, no. 2, p. 208, 2018.
M. R. Arbabshirani, B. K. Fornwalt, G. J. Mongelluzzo, J. D. Suever, B. D. Geise, A. A. Patel and G. J. Moore, “Advanced machine learning in action: identification of intracranial hemorrhage on computed tomography scans of the head with clinical workflow integration,” NPJ Digital Medical, vol. 1, no. 9, 2018.
S. Chilamkurthy, R. Ghosh, S. Tanamala, M. Biviji, N. G. Campeau, V. K. Venugopal, V. Mahajan, P. Rao and P. Warier, “Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study,” Lancet, vol. 392, no. 10162, pp. 2388-2396, 2018.
J. Ker, S. P. Singh, Y. Bai, J. Rao, T. Lim and L. Wang, “Image thresholding improves 3-dimensional convolutional neural network diagnosis of different acute brain hemorrhages on computed tomography scans,” Sensors (Basel), vol. 19, no. 9, 2019.
S. P. Singh, L. Wang, S. Gupta, B. Gulyás and P. Padmanabhan, “Shallow 3D CNN for detecting acute brain hemorrhage from medical imaging sensors,” IEEE Sensors, vol. 21, no. 13, pp. 14290-14299, 2020.
M. H. Vlak, A. Algra, R. Brandenburg and R. G. J, “Prevalence of unruptured intracranial aneurysms, with emphasis on sex, age, comorbidity, country, and time period: a systematic review and meta-analysis,” Lancet Neurology, vol. 10, no. 7, pp. 626-636, 2011.
D. Nieuwkamp, L. Setz, A. Algra, F. Linn, N. Rooij and G. Rinkel, “Changes in case fatality of aneurysmal subarachnoid haemorrhage over time, according to age, sex, and region: a meta-analysis,” Lancet Neurology, vol. 8, no. 7, pp. 635-642, 2009.
N. Turan, R. A. Heider, A. K. Roy, B. A. Miller, M. E. Mullins, D. L. Barrow, J. Grossberg and G. Pradilla, “Current perspectives in imaging modalities for the assessment of unruptured intracranial aneurysms: a comparative analysis and review,” World Neurosurgery, vol. 113, pp. 280-292, 2018.
T. Nakao, S. Hanaoka, Y. Nomura, I. Sato, M. Nemoto, S. Miki, E. Maeda, T. Yoshikawa, N. Hayashi and O. Abe, “Deep neural network-based computer assisted detection of cerebral aneurysms in MR angiography,” Magnetic Resonance Imaging (JMRI) 1, vol. 47, no. 4, pp. 948-953, 2018.