在3D计算机断层扫描图像中检测内出血,使用基于长短期记忆网络的双向长期短期记忆网络修改基因算法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经学 神经学

背景情况:

• 在3D计算机断层扫描 (CT) 大脑图像中精确检测内出血 (ICH) 是至关重要的,但受到有限的标记数据的挑战.
• 现有的机器学习模型往往难以应对医疗成像中的ICH呈现的复杂性和可变性.

研究的目的:

• 在3DCT脑图像中开发和评估一种用于增强内出血检测的新型模型.
• 为了应对医疗成像中的稀缺标记数据的挑战,用于ICH分类.

主要方法:

• 实施了一种新模式,利用Otsu对兴趣区域 (RoI) 分段的门.
• 使用Tamura特征和渐变局部形模式 (GLTP) 描述符进行了特征提取.
• 一个经过修改的基因算法具有无限特征选择,减少特征冗余,然后使用双向长期短期记忆 (Bi-LSTM) 网络进行分类.

主要成果:

• 基于Bi-LSTM的修改基因算法与传统机器学习模型相比,实现了更高的性能.
• 该模型在检测和分类ICH亚型方面表现出高灵敏度 (99.40%),准确度 (99.80%),和特异性 (99.48%).

结论:

• 拟议的Bi-LSTM模型与修改后的遗传算法相集成,为内出血检测提供了一个高度有效的解决方案.
• 这种方法显著克服了数据稀缺问题,并且在分类各种ICH亚型时优于现有的方法.