一种基于神经网络的新方法,用于在瘤影响的大脑MRI中对中风进行基于神经网络的诊断和分级

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 从磁共振图像 (MRI) 进行中风诊断对于及时的治疗干预至关重要.
• 在脑瘤的背景下识别中风带来了独特的诊断挑战.
• 精确的中风检测影响治疗计划和患者的结果.

研究的目的:

• 开发和评估基于深度神经网络的框架,用于在受脑瘤影响的MRI中检测中风概率.
• 将中风的严重程度分为"早期" (轻度/中度) 和"高级" (严重) 阶段.
• 细分瘤区域并分析它们的近距离,以确定中风的可能性.

主要方法:

• 利用多面脑瘤图像细分数据集进行模型训练和验证.
• 使用深度神经网络 (DNN) 进行大脑图像的初始分类,将其归类为正常或异常.
• 应用正常化图形切割算法用于异常图像中的瘤细分.
• 集成的DNN分析瘤的近距离,以评估中风的可能性.

主要成果:

• 拟议的框架在对具有"早期"中风概率的图像进行分类时实现了90%的准确性.
• 该系统证明了"高级"中风概率的90%的表征率.
• 成功地将10张图像分组为"早期"中风概率的指示.

结论:

• 开发的中风分析框架在脑瘤MRI中检测和分类中风概率方面具有很高的准确性.
• 该方法有效地区分早期和晚期中风病例,有助于医学诊断.
• 深度神经网络与图像分割相结合,为神经成像分析提供了一个有前途的方法.