自动计算机辅助检测和分类内出血使用集团深度学习技术
Snekhalatha Umapathy1,2, Murugappan Murugappan3,4,5, Deepa Bharathi6
1Department of Biomedical Engineering, SRM Institute of Science and Technology, Chennai 603203, India.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
早期诊断脑出血是非常具有挑战性的. 这项研究引入了一个集体深度学习模型,将SE-ResNeXT和LSTM结合起来,用于准确检测内出血 (ICH),达到99%以上的准确性.
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:
- 内出血 (ICH) 诊断对于患者的结果至关重要,但仍然具有挑战性.
- 早期发现ICH对于预防死亡率和发病率至关重要.
研究的目的:
- 开发和评估一个集体深度学习模型,用于准确和早期检测各种类型的ICH.
- 为了提高外周,心室内,脑下,脑膜内和脑下出血的分类准确性.
主要方法:
- 使用了一组卷积神经网络 (CNN),特别是基于挤压和刺激的残余网络 (SE-ResNeXT) 和长短期记忆 (LSTM) 网络.
- 在RSNA和CQ500数据集上进行预处理和数据增强.
- 实施梯度加权类激活映射 (Grad-CAM) 用于兴趣地区的识别.
主要成果:
- 拟议的整体模型实现了99.79%的整体准确率和0.97.9的F-分数.
- 个体出血类型分类准确度超过98%,有些达到99.89%.
- 与现有的深度学习模型相比,在ICH检测方面表现出卓越的性能.
结论:
- 使用SE-ResNeXT和LSTM的集体深度学习方法有效地检测和分类多种类型的内出血.
- 该模型的高精度和AUC得分表明其在诊断脑出血时具有临床应用的潜力.
- 这种方法为神经紧急情况的自动化医学图像分析提供了有前途的进步.
