优化霍恩斯菲尔德单位转换用于CT成像中可解释的时间阶段特定的缺血性中风分类.
Radwan Qasrawi1,2, Suliman Thwib1, Ghada Issa1
1Department of Computer Science, Al Quds University, Jerusalem P.O. Box 20002, Palestine.
Journal of imaging
|December 24, 2025
概括
一个新的神经网络框架动态优化CT图像增强,用于准确的缺血性中风分类. 与静态方法相比,这种方法显著改善了所有中风阶段的检测.
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:
- 由于微妙的图像差异和扫描仪的可变性,CT上的精确缺血性中风分类具有挑战性.
- 早期检测对于有效的治疗和患者的结果至关重要.
研究的目的:
- 开发和验证一个神经网络框架,用于动态优化CT图像增强参数.
- 为了实现缺血性中风的特定阶段分类 (超急性,急性,亚急性,慢性).
主要方法:
- 一个卷积神经网络 (CNN) 优化了霍恩斯菲尔德单位 (HU) 转换和CLAHE参数.
- 培训数据包括5个阶段的1480个CT病例,包括增强.
- 使用分类器 (LR,SVM,RF) 进行了25倍的交叉验证;可解释性通过Grad-CAM进行评估.
主要成果:
- 优化的框架在所有中风阶段的精度上显著优于静态参数.
- 深度CLAHE实现了比静态CLAHE更高的精度 (例如,慢性为0.9979).
- 模型的解释性证实了对临床相关区域的关注,并根据阶段意识调整参数.
结论:
- 一个神经网络优化的框架提供了优越的,特定阶段的缺血性中风分类.
- 解释性验证和病理生理学调整的适应提供了一个透明和临床可行的解决方案.
- 这种方法提高了紧急中风评估的准确性和效率.
更多相关视频
10:25Brain Infarct Segmentation and Registration on MRI or CT for Lesion-symptom Mapping
Published on: September 25, 2019
49.2K
06:45Author Spotlight: Integrated Photoacoustic, Ultrasound, and Angiographic Tomography (PAUSAT) for NonInvasive Whole-Brain Imaging of Ischemic Stroke
Published on: June 2, 2023
2.2K
