增强周围血液的细分:将先前的知识与深度学习相结合,以提高准确性和可解释性

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经外科 神经外科

背景情况:

• 在自发性内出血 (ICH) 中,周周血 (PHE) 是一个关键因素,导致内压力升高和患者表现不佳.
• 准确的PHE细分对于有效的临床管理和治疗策略至关重要.
• 目前的深度学习 (DL) 分段方法面临挑战,因为PHE和周围的大脑组织之间的界限模糊,灰度重叠.

研究的目的:

• 提高PHE细分在自发性ICH中的准确性和可靠性.
• 开发一种新的深度学习模型,利用PHE的先前知识来提高细分性能.

主要方法:

• 为PHE细分提出了PESE网络 (Perihematomal Edema Synergistic Enhancement Network,简称PESE-Net) 的建议. 这是一个非常好的方法.
• 开发了一种基于切片相似性的方法,用于在ICH图像中识别相关的PHE切片.
• 实施了特征权重策略,以协同融合全球变化特征和PHE的空间信息.

主要成果:

• 与最先进的方法相比,PESE-Net在多个评估指标上表现出强的表现.
• 提出的方法在相对体积差异方面实现了最佳性能,表明了准确的体积估计.
• 实验结果验证了PESE-Net在细分PHE地区的有效性.

结论:

• PESE-Net有效地利用连续切片之间的上下文关系作为PHE细分的预先知识.
• 该模型实现了PHE的强大而准确的细分,从而实现了稳定的体积估计.
• 这种方法有望提高自发性ICH管理中的临床诊断的效率和可靠性.