先进的多标签脑出血细分使用基于注意力的残余U-Net模型
Xinxin Lin1,2, Enmiao Zou3, Wenci Chen4
1Department of General Practice, The Second Affiliated Hospital, Yuying Children's Hospital of Wenzhou Medical University, Wenzhou, 325027, China.
BMC medical informatics and decision making
|August 1, 2025
概括
一个先进的基于注意力的残留U-Net (ResUNet) 模型在CT扫描中准确地细分大脑出血. 这种人工智能工具为临床分析提供了更高的精度和通用性,优于现有方法.
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:
- 手动对脑出血进行细分是耗时且容易出现错误的.
- 目前的自动化方法缺乏对不同类型的出血所需的精度和通用性.
研究的目的:
- 开发和评估一个先进的基于注意力的剩余U-Net (ResUNet) 模型.
- 为了从CT图像中准确地对六种常见的脑出血类型进行细分.
- 为了提高自动化脑出血分析的精度和通用性.
主要方法:
- 使用了1347个CT扫描和6种出血类型的回顾性数据集.
- 数据进行了标准化和强度正常化.
- 一个具有注意力和残留机制的ResUNet模型被训练并使用10倍交叉验证进行了测试.
主要成果:
- 在培训数据上,ResUNet模型表现出高性能,子相似系数 (DSC) 分数在89%至95%之间.
- 测试产生了强烈的概括,在所有出血类型中,DSC得分在88%至93%之间.
- 在欧盟 (IoU) 上的高交点值和低定向的豪斯多夫距离 (dHD) 证实了精确的细分.
结论:
- 与标准U-Net变体相比,ResUNet模型显著提高了多标签细分的准确性.
- 该模型为快速可靠的临床脑出血分析提供了宝贵的工具.
- 未来的工作可能会探索半监督和3D细分,以进一步的临床实用性.
