Ishemijski moždani udar, koji nastaje kada ugrušak blokira krvni sud u mozgu, jedan je od vodećih uzroka smrti širom sveta. Na sreću, hirurzi sada imaju pristup naprednim tehnikama snimanja koje im omogućavaju da vizualizuju unutrašnjost mozga pacijenta tokom moždanog udara. Ovo im pomaže da odrede lokaciju ugruška i analiziraju stepen oštećenja moždanog tkiva.
Kompjuterska tomografija-perfuzija (CT-P) je jedan od najkorisnijih modaliteta snimanja u ranim stadijumima akutnog moždanog udara. Međutim, teško je precizno identifikovati segmentaciju — obris lezija moždanog udara — u CT-P skeniranju, a konačna dijagnoza u velikoj meri zavisi od stručnosti i sposobnosti hirurga. Da bi rešili ovaj problem, naučnici su smislili različite modele mašinskog učenja koji izvode automatsku segmentaciju CT-P skeniranja. Nažalost, nijedan od njih nije dostigao nivo performansi pogodan za kliničku primenu.
U tom kontekstu, tim istraživača iz Nemačke nedavno je razvio novi algoritam segmentacije za lezije moždanog udara. Kao što je objavljeno u njihovoj studiji objavljenoj u Journal of Medical Imaging, tim je izgradio geometrijski model dubokog učenja pod nazivom „Graph Fulli-Convolutional Netvork“ (GFCN). Unutrašnje operacije koje izvodi njihov geometrijski algoritam se suštinski razlikuju od onih u široko korišćenim Euklidskim modelima. U svojoj studiji, istraživači su istraživali prednosti i ograničenja ovog alternativnog pristupa.
Ključna prednost predloženog modela je da može bolje naučiti i sačuvati važne karakteristike svojstvene topologiji mozga. Korišćenjem neuronske mreže zasnovane na grafu, algoritam može otkriti složene međupikselne odnose iz različitih uglova. Ovo mu, zauzvrat, omogućava da preciznije otkrije lezije moždanog udara.
Pored toga, tim je usvojio blokove „pooling“ i „unpooling“ u svojoj mrežnoj strukturi. Jednostavno rečeno, operacije udruživanja, koje se nazivaju i „smanjenje uzorkovanja“, smanjuju ukupnu veličinu mapa karakteristika koje mreža izdvaja iz ulaznih slika. Ovo smanjuje računsku složenost algoritma, omogućavajući modelu da izdvoji najistaknutije karakteristike CT-P skeniranja. Nasuprot tome, operacije razdvajanja (ili „upsampling“) vraćaju operacije udruživanja kako bi pomogle da se pravilno lokalizuju otkrivene karakteristike na originalnoj slici na osnovu kontekstualnih znakova. Kombinovanjem ove dve operacije, struktura mreže može da izvuče bogatije geometrijske informacije.
Tim je sproveo niz analiza kako bi odredio efekat svake komponente GFCN-a na performanse segmentacije. Zatim su uporedili performanse predloženog algoritma sa najsavremenijim modelima, svi obučeni koristeći isti javni skup podataka. Zanimljivo, iako je njihov model koristio osnovne tehnike razdvajanja i jednostavnu konfiguraciju unosa, u većini uslova je bio bolji od konvencionalnih modela.
Primetno je da su GFCN-8, sa tri objedinjena sloja i osmostrukim povećanjem uzorkovanja, postigli ocenu koeficijenta Dice – metriku koja ukazuje na preklapanje između predviđenih i stvarnih područja lezije – od 0,4553, što je znatno više od drugih modela. Štaviše, predloženi model bi se mogao prilagoditi nepravilnim granicama segmentacije bolje od najsavremenijih modela.
Sve u svemu, nalazi ove studije pokazuju potencijal geometrijskog dubokog učenja za probleme segmentacije u medicinskom snimanju. Dalja istraživanja o sličnim strategijama mogla bi utrti put visoko preciznim modelima za automatsku dijagnozu moždanog udara koji bi mogli poboljšati ishode pacijenata i spasiti živote.