Verwendung von Deep Learning zur Erkennung von hämorrhagischen Schlaganfällen in CT-Scans des Schädels

Freitag, 24. Juni 2022

Schlaganfälle sind akute und lebensbedrohliche Notfälle, bei denen eine schnelle Intervention gefordert ist. Man unterscheidet zwischen ischämischen Schlaganfällen, die aus einem Gefäßverschluss entstehen und hämorrhagischen Schlaganfällen, bei denen es zu einer Blutung im Gehirn kommt. Eine schnelle Unterscheidung der beiden Schlaganfalltypen ist zwingend notwendig, um die entsprechende Therapie einzuleiten. Um einen Arzt oder eine Ärztin in einer solchen Situation zu unterstützen, kann eine automatische Bilderkennung durch Deep Learning eingesetzt werden. Um hämorrhagische Schlaganfälle automatisch in mehrere Klassen zu klassifizieren, wird in dieser Arbeit der Siegeralgorithmus der RSNA Intracranial Hemorrhage Detection Challenge auf einem neu aufgeteilten Trainingsdatenset neu trainiert. Um die beste Konfiguration des Modells zu erreichen, wird das Modell mit verschiedenen Vorverabeitungsmethoden und CNN-Architekturen trainiert. Der Algorithmus wird außerdem mit einer Visualisierung durch die Grad-CAM++ erweitert, um die Ergebnisse des Modells für Ärzt:innen nachvollziehbar zu machen. Das beste Modell wird auf ein weiteres Datenset (CQ500-Datenset) übertragen und evaluiert. Außerdem wird der Algorithmus auf alltäglichen Klinikdaten des Herz-Jesu-Klinikums Dernbach ausgewertet und gemeinsam mit einem Radiologen anhand der Vorhersagen und Visualisierungen ausgewertet. Das neu trainierte Modell zeigt sowohl auf den Testdaten als auch auf den Klinikdaten gute Treffergenauigkeit, einen hohen AUC und in vielen Fällen ein hohes F1-Maß. Epiduralblutungen werden am schlechtesten erkannt. Die Visualisierung stellt eine Erklärung für die Vorhersagen des Algorithmus bereit.