Kroonisen kallonsisäisen valtimotukoksen ennustemalli radioaktiivisilla ominaisuuksilla

1. Multimodaaliseen TT:hen perustuvan aivosegmentaatiomallin luominen keskeisille aivoalueille

   Multimodaaliseen TT:hen perustuvan aivojen segmentointimallin luominen avainalueille on yksi tämän tutkimuksen ydinkomponenteista. Projektissa on tarkoitus käyttää kehittyneitä algoritmeja, kuten U-Net ja Transformer, perustana kehittää malli avainalueiden automaattiseen segmentointiin TT-kuvissa. Näitä avainalueita ovat tyvihermot, otsalohko, ohimolohko, parietaalilohko ja muut. Automaattisen segmentointimallin kehittäminen koostuu kahdesta pääosasta: koulutuksesta ja validoinnista. Tämän tutkimuksen retrospektiivistä kohorttidataa käytetään koulutussarjan muodostamiseen. Tietyt aivoalueet merkitään manuaalisesti mallin koulutusmateriaaliksi. Parametrien viritys ja sisäinen validointi suoritetaan tyydyttävien harjoitustulosten saavuttamiseksi. Tämän tutkimuksen tuleva kohorttidata muodostaa itsenäisen validointijoukon, jota käytetään mallin ulkoiseen validointiin. Mallin suorituskyvyn arviointikriteerit sisältävät DICE-kertoimen ja häviöarvon.

2. Aivohalvaukseen liittyvien ydinhermokuvausominaisuuksien tutkiminen potilailla, joilla on krooninen kallonsisäinen valtimotukos

   Automaattisen segmentointimallin luomien maskien avulla tämän tutkimuksen tarkoituksena on poimia radioaktiivista tietoa ja CT-perfuusioparametreja tietyistä aivoalueista itse suunnitellun automatisoidun työnkulun avulla. Näitä ominaisuuksia käytetään koneoppimisen ennustavan mallin rakentamiseen aivohalvausriskille potilailla, joilla on krooninen kallonsisäinen valtimotukos. Jotta voidaan valita tehokkaimmat ominaisuudet iskun ennustamiseen, tarvitaan ominaisuuden valinta- ja mittasuhteen pienennysprosessi. Tässä tutkimuksessa aiotaan käyttää L1-regulaatiota standardoidun datan dimensioivuuden vähentämiseen, jotta voidaan optimoida ROC-alue käyrän alla (AUC). Siten on mahdollista tutkia ja tarkentaa aivohalvaukseen liittyviä ydinkuvausominaisuuksia potilailla, joilla on kallonsisäinen valtimotukos, analysoida niiden korrelaatiota aivohalvauksen kanssa ja käyttää niitä myöhempään mallin rakentamiseen.

3. Aivohalvauksen ennustusmallin rakentaminen ja validointi, joka perustuu tärkeimpien aivojen alueiden neurokuvantamisen ydinominaisuuksiin

Ennustemallin rakentaminen ja validointi on jaettu koulutus- ja validointivaiheisiin. Harjoitustiedot kerätään koulutuskohortista ja validoidaan sisäisesti ristiinvalidoinnin avulla. Tuleva kohortti pysyy itsenäisenä validointijoukona mallin ulkoista validointia varten. Mallin rakentaminen alkaa koneoppimismallien perussuorituskyvyn testaamisesta. Analysoimalla näiden perusmallien suorituskykyä suunnitellaan ja rakennetaan kokonaisoppimismallin arkkitehtuuri. Lopuksi ensemble-oppimismalli validoidaan. Mallin ensisijainen suorituskykymittari on alue ROC-käyrän alla (AUC), ja lisäarviointimittareita, kuten tarkkuus, muistaminen, tarkkuus ja F1-pisteet, käytetään suorituskyvyn täydentämiseen.