Titel: Integration von räumlichen Informationen in voxelbasierte Modelle zur Vorhersage des Gewebeschicksals beim ischämischen Schlaganfall
Sonstige Titel: Integrating spatial information into voxel-based models to predict tissue fate in ischemic stroke
Sprache: Deutsch
Autor*in: Grosser, Malte
Schlagwörter: ischämischer Schlaganfall; Vorhersagemodelle; räumliche Einflussfaktoren; Gewebeoutcome; Perfusions-Diffusions-Mismatch; Tree-Ensembles
GND-Schlagwörter: SchlaganfallGND
Penumbra <Medizin>GND
PrognosemodellGND
Maschinelles LernenGND
KernspintomografieGND
Erscheinungsdatum: 2022
Tag der mündlichen Prüfung: 2022-09-20
Zusammenfassung: 
Beim ischämischen Schlaganfall müssen nach Ablauf von 4,5 bzw. 6 Stunden Vor- und Nachteile einer Therapie fallspezifisch bewertet werden. Eine Einschätzung des Potenzials einer rekanalisierenden Therapie auf Basis des Perfusions-Diffusions-Mismatches erweist sich häufig als optimierungsbedürftig. Deshalb werden zunehmend Methoden des maschinellen Lernens zur Vorhersage des Gewebeoutcomes beim ischämischen Schlaganfall erforscht. Obwohl Läsionen durch arterielle Territorien eingeschränkt und nicht zufällig verteilt sind, fließen räumliche Faktoren bislang nur selten in die Prädiktion ein.
Mit dieser Arbeit soll geklärt werden, ob der Einbezug der Lage eines Voxels und die lageabhängige a priori bekannte relative Läsionshäufigkeit zu einer verbesserten Vorhersage des Gewebeschicksals in voxelbasierten Modellen führt. Hierzu wurden zwei Ansätze anhand von 99 akuten Schlaganfallpatienten aus der I-KNOW-Studie erprobt, die die räumlichen Informationen berücksichtigen. Zur Vergleichbarkeit von Voxelpositionen fand eine Registrierung aller Bilddaten auf den Montreal Neurological Institute Gehirnatlas statt, der als Referenz diente. Für die lokale Modellierung wurde ein Modell pro Position trainiert. Bei unzureichender Datenmenge wurde an diesen Positionen ein globales Modell herangezogen, das auf Voxeln aller Positionen trainiert wurde. Die komplementären Vorhersagen dieser Ansätze wurden über den Durchschnitt in einem hybriden Modell vereint. Zur Integration der räumlichen Informationen in ein globales Modell dienten die a priori bekannten Läsionshäufigkeiten und Voxelkoordinaten als Features. Als Algorithmen kamen die logistische Regression, Random Forest sowie XGBoost zum Einsatz.
Ausgewertet wurden die Vorhersagen aller Modelle im Rahmen einer Leave-One-Patient-Out-Kreuzvalidierung in Bezug auf die Fläche unter der Receiver-Operating-Characteristic-Kurve und den Dice-Koeffizienten. Dabei zeigte der hybride Ansatz signifikante Verbesserungen gegenüber dem lokalen und globalen Ansatz. Die Integration von räumlichen Features in den globalen Ansatz führte vor allem bei tree-basierten Modellen zu statistisch relevanten Verbesserungen. Demnach trägt der Einbezug räumlicher Informationen zu einer deutlich optimierten Vorhersage des Gewebeschicksals von Patienten mit akutem Schlaganfall bei, denn die Modelle lernten die gefährdeten arteriellen Versorgungsgebiete des vorderen Stromgebiets vom Rest des Gewebes zu differenzieren. Zur individuelleren Abgrenzung des Gewebes trägt neben den in dieser Arbeit integrierten Voxelpositionen auch noch die Lage des Verschlusses bei, die es beide gleichzeitig in zukünftigen Studien zu integrieren gilt.

The advantages and risks of therapy is a case-by-case evaluation no later than 4.5 or 6 hours after the onset of an ischaemic stroke. The assessment whether a recanalizing therapy based on perfusion-diffusion mismatch is potentially the right treatment choice has proven to be less reliable. Therefore, machine learning methods are increasingly investigated to predict tissue outcome in ischaemic stroke. Although lesions are constrained by arterial territories and are thus not randomly distributed, spatial factors have so far been mostly ignored for prediction.
The aim of this thesis is to determine whether the location of a voxel and the previously known relative lesion frequency contribute to better predictions of tissue fate. For that purpose, two approaches using these spatial information for prediction were tested in 99 acute stroke patients from the I-KNOW study. To ensure comparability of voxel positions, the individual MRT data sets of all patients were mapped to the Montreal Neurological Institute Atlas which served as a reference. For local modelling, one model was trained for each position. In the event of insufficient data, a global model was used, which had been trained on voxels from all positions. A hybrid model was generated from the average of the global and local approaches to combine their complementary predictions. To integrate the spatial information into a global model, the a priori known lesion frequencies and voxel coordinates served as features. Logistic regression and random forest as well as XGBoost were used as algorithms.
The predictions of all models were evaluated in a leave-one-patient-out cross-validation using the area under the receiver operating characteristic curve and the Dice coefficient. The hybrid approach demonstrated significant improvements over the local and global approaches. The integration of spatial features resulted in statistically meaningful improvements, especially for tree-based models. The inclusion of spatial features resulted in a substantial optimization of predicting the tissue outcome because the models learned to differentiate the endangered arterial supply areas of the anterior territory from the rest of the tissue. The specific site of occlusion and the voxel locations described in this thesis contribute to a more individualized delineation of the tissue margins, which should be both integrated simultaneously in future studies.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/9871
URN: urn:nbn:de:gbv:18-ediss-103901
Dokumenttyp: Dissertation
Betreuer*in: Fiehler, Jens
Wegscheider, Karl
Struckmeier, Jens
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung Prüfsumme GrößeFormat  
Dissertation.pdfDissertation04b3e0f90b84785776bb109c7fa260883.39 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Info

Seitenansichten

96
Letzte Woche
Letzten Monat
geprüft am 06.12.2022

Download(s)

33
Letzte Woche
Letzten Monat
geprüft am 06.12.2022
Werkzeuge

Google ScholarTM

Prüfe