基于卷积自编码器的深度学习用于使用脑CT图像进行脑内出血分类
B Nageswara Rao1, U Rajendra Acharya2, Ru-San Tan3,4
1Sensing and Computing Lab, School of Electronics Engineering, Kalinga Institute of Industrial Technology, Bhubaneswar, India.
Cognitive neurodynamics
|May 22, 2025
概括
一个新的混合深度学习模型从脑CT扫描中准确诊断脑内出血 (ICH). 这种自动化系统具有很高的准确性,有助于及时做出中风治疗决定.
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:
- 脑内出血 (ICH) 是一种严重的中风类型,死亡率高.
- 通过非对比计算机断层扫描 (NCCT) 进行准确的诊断对于外科决定至关重要.
- 挑战包括有限的专家访问和诊断的观察者之间的变化.
研究的目的:
- 开发和评估一种混合深度学习模型,用于使用NCCT图像进行自动化ICH诊断.
- 将模型的性能与基于主要组件分析 (PCA) 的方法进行比较.
- 评估模型能够突出ICH区域的临床相关性.
主要方法:
- 开发了一种混合模型,将卷积自编码器 (CAE) 用于特征提取和密集神经网络 (DNN) 用于分类.
- 用十倍交叉验证和坚持方法进行了强有力的训练和概括.
- 性能与PCA-DNN模型进行了比较,使用来自108名患者的3293张NCCT图像的数据集.
主要成果:
- 该CAE-DNN模型实现了99.84%的准确性,99.69%的灵敏度,100%的特异性,100%的精度和99.84%的F1-score.
- 开发的模型显著优于PCA-DNN比较器和现有文献结果.
- 来自CAE-DNN模型的突出地图有效地突出了ICH地区,与专家注释相关.
结论:
- 混合CAE-DNN模型提供了一种高度准确和可靠的方法,用于自动检测和定位NCCT扫描中的ICH.
- 这种人工智能驱动的方法有可能提高诊断效率和临床环境中的患者分拣.
- 该模型定位ICH的能力为治疗优先级提供了宝贵的见解.
