完全自动化的基于sinogram的深度学习模型,用于检测和分类内出血
Chitimireddy Sindhura1, Mohammad Al Fahim1, Phaneendra K Yalavarthy2
1Department of Electrical Engineering, Indian Institute of Technology, Tirupati, India.
Medical physics
|September 13, 2023
概括
这项研究引入了一种新的深度学习方法,用于从阴影图直接检测内出血 (ICH),绕过CT重建. 基于sinogram的方法提高了有效ICH诊断的准确性和稳定性.
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:
- 计算机断层扫描 (CT) 对内出血 (ICH) 诊断的重建是耗时的,容易产生噪音和文物.
- 传统方法需要漫长的图像重建过程,延迟了关键诊断.
研究的目的:
- 提出一个自动化的深度学习框架,用于从sinograms直接检测和分类ICH.
- 消除CT重建的需要,从而减少诊断时间和最小化图像文物.
主要方法:
- 一种使用深度学习框架的两阶段自动化方法.
- 阶段1:强度转换的Sinogram合成器,以创建相当于强度转换CT图像的sinograms.
- 第2阶段:一个级联卷积神经网络-循环神经网络 (CNN-RNN) 模型,用于从合成的阴影图中检测和分类出血.
主要成果:
- 与最先进的方法 (ResNext-101,Inception-v3,视觉变压器) 相比,患者精度提高了27%.
- 与基于CT图像的方法相比,对噪声和偏移误差的稳定性有所提高.
- 成功执行了多标签分类的出血类型,并通过激活地图提供了可解释性.
结论:
- 基于阴影图的方法提供了准确而高效的ICH诊断,无需CT重建.
- 这种方法克服了基于CT图像的方法的局限性,并显示出临床应用的前景.
- 需要进一步的研究,以探索其在临床环境中检测出血的潜力.
