对脑内出血患者使用自主监督学习自动检测黑洞标志
Hanyin Wang1, Tim Schwirtlich1, Ethan J Houskamp1
1From the Department of Preventive Medicine (H.W., T.S., M.R.H, J.X.M, J.S.N, Y.L.), Department of Neurological Surgery (E.J.H.), and Department of Neurology (A.M.N.), Northwestern University Feinberg School of Medicine, Chicago, Illinois, USA; IRCCS Istituto delle Scienze Neurologiche di Bologna, Department of Neurology and Stroke Center (A.Z., L.B.), Maggiore Hospital, Bologna, Italy; Department of Biomedical and Neuromotor Sciences (DIBINEM) (S.G.), Alma Mater Studiorum-University of Bologna, Bologna, Italy.
一个新的自主监督学习框架准确地识别了CT扫描上的黑洞标志,有助于预测中风后的血瘤扩张. 这种自动化方法承诺更快地为关键干预选择患者.
科学领域:
- 放射学中的人工智能
- 医学图像分析 医学图像分析
- 脑卒中成像 脑卒中成像
背景情况:
- 脑内出血 (ICH) 是一种严重的中风类型.
- 在CT扫描中血液瘤扩张 (HE) 预测结果不佳.
- 在CT上的黑洞标志 (BHS) 表示HE风险.
研究的目的:
- 开发一种用于BHS识别的自动化方法.
- 利用自主监督学习 (SSL) 来提高准确性.
- 促进早期选择患者进行干预.
主要方法:
- 一个ResNet-50编码器在1700多张未标记的头部CT图像上进行了预训练.
- 采用SSL技术进行BHS识别.
- 该模型进行了微调,并对AUC和F1分数的不同数据集进行了评估.
主要成果:
- 该SSL框架实现了强大的BHS识别性能.
- 扫描水平的AUC得分从0.75-0.89不等,F1得分为0.60-0.70.
- 该模型证明了对外部数据集的概括性,AUC高达0.85.
结论:
- SSL 集成为医疗图像分类提供了强大的方法.
- 自动化BHS识别减少了手动注释的需要.
- 这一框架显示出预测ICH患者的HE的前景,特别是在有限的数据的情况下.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
09:14Pre-Chiasmatic, Single Injection of Autologous Blood to Induce Experimental Subarachnoid Hemorrhage in a Rat Model
Published on: June 18, 2021
