在CT扫描中通过深度学习检测心脏骤停后缺氧缺血性脑病:对2D和3D方法的比较研究
Noah S Molinski1, Martin Kenda2,3, Christoph Leithner2
1Department for Neuroradiology, Charité - Universitätsmedizin Berlin, Freie Universität Berlin and Humboldt-Universität zu Berlin, Berlin, Germany.
Frontiers in neuroscience
|February 29, 2024
概括
一种新的深度学习模型可以在CT扫描上准确检测缺氧缺血性脑病变 (HIE). 2D图像数据堆产生了最好的结果,显示了在HIE诊断中临床实施的前景.
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:
- 缺氧性缺血性脑病变 (HIE) 是一种严重的疾病,需要准确及时诊断.
- 计算机断层扫描 (CT) 扫描对于识别HIE特征至关重要.
- 深度学习为医疗图像的自动化分析提供了潜力.
研究的目的:
- 开发一个深度学习模型来检测CT扫描中的HIE.
- 为了比较不同网络架构和输入数据格式 (2D与3D) 的有效性.
- 使用人工智能确定HIE检测的最佳方法.
主要方法:
- 对心脏骤停患者的168张头部CT扫描进行了回顾性分析.
- 扫描的分类为HIE (88) 和非HIE (80) 组.
- 培训和验证使用2D和3D图像格式的五个密集连接的卷积网络 (DenseNet121).
主要成果:
- 所有测试的二维和三维深度学习网络都成功检测到了HIE标志.
- 使用二维图像数据堆的模型实现了卓越的性能 (AUC: 94%,ACC: 79%).
- 视觉可解释性数据是使用梯度加权类激活映射生成的.
结论:
- 一个概念验证深度学习模型可以准确地识别CT图像上的HIE.
- 2D图像堆模型展示了HIE检测最有前途的结果.
- 进一步的临床验证可能会导致人工智能辅助的HIE诊断和常规实践中的结果预测.


