基于DeepLabV3+模型的CT图像,对形脑损伤的智能识别和细分
Hao-Jie Qin1, Yuan-Yuan Liu1,2, En-Hao Fu1,2
1College of Basic Medicine and Forensic Medicine, Henan University of Science and Technology, Institute of Medical Aspects of Specific Environments, Judicial Expertise Center, Luoyang 471000, Henan Province, China.
Fa yi xue za zhi
|February 24, 2025
概括
深度学习使用CT扫描准确地对活人群中凸的脑损伤 (BCI) 进行细分. 然而,在活体患者上训练的模型在应用到尸体BCI细分时显示出局限性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 法医医学 法医医学
背景情况:
- 粗的脑损伤 (BCI) 诊断依赖于准确的图像分析.
- 在CT图像上BCI的自动细分可以帮助法医病理学.
- 深度学习为自动化医疗图像分析提供了潜力.
研究的目的:
- 开发和评估DeepLabV3+模型,用于从CT图像中对常见BCI类型进行细分.
- 为了探索一个深度学习模型的有效性,在活着的个体上进行培训,用于尸体BCI识别.
主要方法:
- 训练了一个DeepLabV3+卷积神经网络在5486张活着个体的BCICT图像上.
- 在独立的活体和尸体BCI CT图像测试集上验证了模型.
- 通过使用子,准确性,精度和F1分数来评估细分性能.
主要成果:
- 该模型在分隔头皮血液瘤,头骨骨折,外周血液瘤,体内血液瘤和活人脑部伤方面获得了高的Dice值 (>0.75).
- 外部验证显示,活体中大多数BCI类型的F1得分强.
- 细分性能降低了,但在尸体CT图像中,头皮血液瘤,外周血液瘤和腹腔血液瘤仍然显著.
结论:
- 在CT图像上训练的深度学习模型对活体中BCI细分有效.
- 在活体BCI上训练的模型直接应用于尸体BCI具有局限性.
- 这项研究引入了一种用于在虚拟解剖数据中智能细分BCI的新方法.
