通过在端到端深度学习框架中使用合成CT图像来预测脑内出血患者的血瘤扩张

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:

• 自发性脑内出血 (ICH) 的死亡率很高,血液瘤扩张 (HE) 恶化了患者的结果.
• 从初始CT扫描中预测HE对于及时干预至关重要,但由于数据限制,具有挑战性.

研究的目的:

• 开发和验证一个深度学习框架,用于仅使用初始CT扫描来预测ICH患者的HE.
• 通过将合成图像生成集成到模型培训过程中来解决数据稀缺问题.

主要方法:

• 开发了一个利用2D EfficientNet B0模型的端到端深度学习框架.
• 该模型在122名ICH患者的数据集上进行了训练,其中包括35名HE患者,使用纵向CT扫描和病变注释.
• 用合成图像生成和标准数据增强技术来提高模型性能.

主要成果:

• 拟议的深度学习框架在预测准确度方面取得了显著的改善,从0.56增加到0.84.
• 关键绩效指标大大改善:F1-Score从0.53提高到0.82,灵敏度从0.51提高到0.77,特异性从0.60提高到0.91.
• 将合成生成的图像纳入,与仅在原始或增强数据上训练的模型相比,表现优越.

结论:

• 深度学习框架有效预测ICH患者的血液瘤扩张.
• 合成图像生成是一种新且有效的策略,用于改进HE预测模型,解决数据限制.
• 这项研究为改善出血性中风患者的临床管理提供了有前途的工具.