Erkennung von Schlaganfallherden mittels konvolutioneller neuronalen Netze

Schlaganfall ist eine Erkrankung, die das Gehirngewebe betrifft und hauptsächlich durch Veränderungen des Blutflusses in einem bestimmten Bereich des Gehirns verursacht wird. Als Folge können bestimmte Funktionen, die mit dem betroffenen Bereich verbunden sind, eingeschränkt werden, was die Lebensqualität des Patienten deutlich beeinträchtigt. In dieser Arbeit befassen wir uns mit dem Problem der Schlaganfalldetektion in Computertomographie-(CT-)Bildern unter Verwendung von Faltungsneuralen Netzen (Convolutional Neural Networks, CNN), die durch Partikelschwarmoptimierung (Particle Swarm Optimization, PSO) optimiert wurden. Wir berücksichtigen zwei verschiedene Schlaganfalltypen, nämlich ischämische und hämorrhagische Schlaganfälle, und stellen zudem eine öffentlich verfügbare Datensammlung zur Förderung der Forschung im Bereich der Schlaganfalldetektion im menschlichen Gehirn bereit. Die Datensammlung umfasst für jeden Fall drei unterschiedliche Bildtypen: das ursprüngliche CT-Bild, ein Bild mit segmentiertem Schädel und ein zusätzliches Bild mit der radiologischen Dichtekarte. Die Ergebnisse zeigen, dass CNNs gut geeignet sind, um das Problem der Schlaganfalldetektion zu lösen, und erzielen vielversprechende Ergebnisse.