混合CNN-变压器网络与圆形特征相互作用,用于在非对比CT扫描上对急性缺血性中风损伤细分

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:

• 在非对比CT (NCCT) 上精确细分急性缺血性中风 (AIS) 病变对于诊断至关重要.
• 由于对比度低,噪音和文物,NCCT成像对病变细分提出了挑战.

研究的目的:

• 开发一个准确的AIS损伤细分方法用于NCCT,使用一种新的混合深度学习方法.
• 解决现有细分技术在挑战NCCT扫描中的局限性.

主要方法:

• 一个混合卷积神经网络 (CNN) 和变压器网络被提出,具有并行编码器,一个圆形特征交互模块和一个共享的CNN解码器.
• 一个新的变压器块被设计来减轻弱感应偏差,并采用多级特征聚合.
• 一个双边差异学习模块被纳入,以区分缺血和逆侧脑区域.

主要成果:

• 拟议的方法在AISD数据集上获得了61.39%的Dice分数,在私人数据集上达到46.74%.
• 它在实验评估中超过了17种最先进的细分方法.
• 体积测量分析和外部验证表明有可能支持AIS诊断.

结论:

• 混合CNN-变压器网络有效地对NCCT的AIS病变进行细分,克服了常见的成像挑战.
• 新的架构和功能交互模块显示出与现有方法相比更高的性能.
• 拟议的方法显示了急性缺血性中风诊断中的临床应用的希望.