3D CoAt U SegNet增强的深度学习框架,用于从非对比CT扫描中精确细分急性缺血性中风病变
Manas K Nag1, Anup K Sadhu2, Samiran Das3
1Department of Biomedical Engineering, Central University of Rajasthan, Bandar Sindri, Rajasthan, 305817, India.
Physical and engineering sciences in medicine
|September 23, 2025
概括
一个新的深度学习模型,CoAt U SegNet,在非对比CT扫描中准确地检测和细分急性缺血性中风病变. 这种先进的3D方法改进了传统的方法,以更好地诊断中风.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经学 神经学
背景情况:
- 在非对比CT (NCCT) 扫描中对缺血性中风病变进行细分是具有挑战性的,因为病变的特征和与心室等解剖结构的重叠.
- 在NCCT中早期检测急性缺血性中风病变至关重要,但在现有的方法中很难.
- 需要计算机辅助检测和细分工具来支持临床医生进行中风诊断.
研究的目的:
- 引入CoAt U SegNet,这是一种新的3D深度学习模型,用于在NCCT扫描中检测和细分急性缺血性中风病变.
- 与传统的3D细分模型和传统的机器学习方法相比,提高划界精度.
- 为解决当前细分性能局限性提供更复杂的技术.
主要方法:
- 开发和训练了一种新的3D深度学习模型,CoAt U SegNet,使用50个NCCT扫描进行训练,10个用于验证,500个用于测试.
- 在编码器中内置了1,3和5的扩张率的扩展卷积块,以捕获多尺度的特征.
- 采用增强的相似性指数来完善损伤细分,以提高准确性.
主要成果:
- 在500个未见的NCCT扫描中,达到了75%的子相似性得分和70%的贾卡德指数.
- 对于急性缺血性中风病变的细分精度显著改善.
- 该模型的性能表明,其在病变划分方面的能力有所提高.
结论:
- CoAt U SegNet代表了一种先进的3D深度学习方法,用于在NCCT中改善急性缺血性中风病变的细分.
- 该模型显示出有很大的潜力,可以帮助临床医生区分半阴影和核心心脏病发作区域.
- 这项技术可以有助于在中风管理方面做出更明智的临床决策.
