同时的缺血损伤年龄估计和CT大脑细分使用基于变压器的网络

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 神经学 神经学

背景情况:

• 精确的中风发病时间对于有效的患者管理至关重要.
• 解释计算机断层扫描 (CT) 扫描以确定病变年龄是具有挑战性的,因为微妙的视觉线索.
• 现有的自动化方法独立处理病变细分和年龄估计,错过了它们的协同潜力.

研究的目的:

• 开发和评估一种新的深度学习网络,用于对脑缺血病变的同时细分和年龄估计.
• 为了提高精度,利用病变细分和年龄估计之间的互补关系.
• 解决目前在中风成像分析中的自动化方法的局限性.

主要方法:

• 提出了一种基于多任务变压器的新型端到端网络,用于并发细分和年龄估计.
• 利用封闭的定位自我注意力和CT特定的数据增强来增强特征学习.
• 嵌入不确定性估计使用量子损失来生成病变年龄的概率密度函数.

主要成果:

• 实现了0.933的曲线下面积 (AUC) 来分类病变年龄≤4.5小时,优于传统方法 (0.858).
• 与特定任务的最先进算法相比,表现出卓越的性能.
• 在来自两个医疗中心的776张CT图像的临床数据集上验证了模型.

结论:

• 建议的多任务学习方法有效地整合了病变细分和年龄估计,以改善中风诊断.
• 基于变压器的网络显示了增强脑CT扫描中急性缺血病变的自动化分析的巨大潜力.
• 这种方法通过提供更准确的损伤年龄确定,为时间敏感的中风护理提供了有希望的进步.