在死后CT数据中自动检测致命脑出血

科学领域:

• 法医放射学 法医放射学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 死后成像,特别是死后计算机断层扫描 (PMCT),对于确定死亡原因越来越重要.
• 深度学习已经在解释体内医学图像方面取得了成功.
• 准确识别致命的大脑出血在法医调查中至关重要.

研究的目的:

• 开发和评估用于识别致命脑出血的管道,使用3DPMCT数据.
• 为此任务,将传统机器学习分类器的性能与深度学习模型进行比较.
• 评估人工智能作为法医病理学诊断辅助工具的潜力.

主要方法:

• 追溯分析81例PMCT病例 (36例致命脑出血,45例神经健康).
• 实施和比较六个机器学习分类器 (k-NN,天真贝叶斯,物流回归,决策树,LDA,SVM).
• 两种深度学习模型的培训和验证:卷积神经网络 (CNN) 和DenseNet,使用80%的培训和20%的验证数据,具有五倍的交叉验证.

主要成果:

• 卷积神经网络 (CNN) 在所有评估的算法中表现出最高的性能.
• 美国有线电视新闻网 (CNN) 在检测致命脑出血时,在所有交叉验证折叠中实现了0.94的准确性.
• 深度学习模型,特别是CNN,在这个应用中表现优于传统的机器学习分类器.

结论:

• 人工神经网络算法,特别是CNN,在法医病理学中显示出计算机辅助诊断的重大前景.
• 与深度学习相结合的PMCT提供了一种强大的,非侵入性的方法来支持对死亡原因的评估.
• 未来的应用可能会看到人工智能工具协助法医病理学家解释PMCT对脑出血的发现.