深度学习模型用于分离头部CT上脑内和心室内出血的细分,以及细分质量评估
Yifan Li1, Ruijie Zhang2,3,4, Ying Li5
1School of Medical Technology, School of Medical Imaging, and Tianjin Key Laboratory of Functional Imaging, Tianjin Medical University, Tianjin, China.
Medical physics
|August 12, 2024
概括
一个新的深度学习模型,REUnet,准确地细分脑内出血 (ICH) 和心室内出血 (IVH). 它还为IVH细分提供可靠的质量评估,帮助自发性ICH患者的临床决策.
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:
- 精确的脑内出血 (ICH) 和心室内出血 (IVH) 的体积测量对于治疗自发性脑内出血至关重要.
- 现有的ICH和IVH细分工具缺乏外部验证和质量评估.
研究的目的:
- 开发一个强大的深度学习模型用于ICH和IVH细分,并进行外部验证.
- 提供一种评估IVH细分质量的方法.
主要方法:
- 一个剩余编码联网 (REUnet) 模型在977张CT图像上被开发和训练.
- 该模型在375张CT图像上进行了外部验证,并与其他六种深度学习模型进行了比较.
- 原型细分 (ProtoSeg),测试时间下降 (TTD) 和测试时间增加 (TTA) 用于细分质量评估.
主要成果:
- 与其他车型相比,REUnet在ICH和IVH细分方面表现出优异的表现,并获得了高的Dice分数.
- 由REUnet生成的卷显示与手动细分 (0.944-0.987) 有很强的一致性.
- ProtoSeg有效地评估了IVH细分质量,与Dice分数相对应,并识别了低质量的结果.
结论:
- REUnet是准确,自动化的ICH和IVH细分的一个有前途的工具.
- 该模型促进了自发性ICH患者的治疗决策.
- 有效的IVH细分质量评估现在在临床实践中是可行的.
