深度多尺度卷积特征学习用于内出血分类和弱监督的局部化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是指放射学

背景情况:

• 脑内出血 (ICH) 诊断依赖于CT扫描的专家解释.
• 准确及时地定位出血对于有效的患者管理至关重要.
• 当前的诊断工作流程可能很耗时,特别是在紧急情况下.

研究的目的:

• 评估一个AI模型来对ICH进行分类,并使用多尺度特征和注意力融合来定位出血焦点.
• 评估模型在大脑CT扫描数据集上的表现.
• 确定该模型是否可以帮助减少诊断时间和改善ICH检测.

主要方法:

• 利用来自ASNR的75万个大脑CT扫描的大数据集.
• 开发了一个使用注意力融合和多尺度特征进行分类和弱监督本地化的框架.
• 该模型经过ICH分类和亚型识别的培训和验证.

主要成果:

• 在ICH分类 (AUC=0.973) 和本地化方面取得了高性能.
• 对于特定的出血亚型:外周 (0.891),下体 (0.991),下arachnoid (0.983),室内 (0.995) 和室内 (0.990).
• 根据先前的数据,在准确性方面超过了入门级放射学学员的平均成绩.

结论:

• 开发的AI框架只使用图像级注释准确地检测和分类ICH亚型.
• 该方法显著减少了诊断时间,并在紧急情况下提高了ICH检测.
• 这种人工智能工具显示了整合到未来诊断放射学工作流程的潜力.