Mar, 2018

头颅 CT 扫描关键结果检测深度学习算法的开发与验证

PDF
TL;DR本研究开发和验证了一组深度学习算法，用于自动检测无对比剂头颅 CT 扫描的关键发现：颅内出血（ICH）及其类型，脑内实质（IPH），脑室内（IVH），硬膜下（SDH），硬脑膜外 (EDH) 和蛛网膜下 (SAH)，骨盖骨折，中线移位和占位效应，AUCs 测评结果显示算法的识别准确率达到了很高的水平。
发现论文，激发创造
  • 利用深度学习识别脑 CT 图像上的出血和梗死病灶

    通过深度学习算法识别头部非对比增强 CT 扫描中的颅内出血和梗死，为日常医疗工作流程引入广泛的医疗设施提供了潜力和限制。

    Jul, 2023

  • 基于深度卷积模型的颅内出血分割

    本研究试图利用深度完全卷积神经网络自动地将颅内出血区域从 CT 扫描结果中区分出来，以取代目前需要有经验的放射科医师进行检查的方式。该方法在 5 重交叉验证中取得了 0.31 的 Dice 系数，可用于未来分析和比较。

    Oct, 2019

  • 朝着临床可信任的深度学习：将合拟似法应用于颅内出血检测

    该研究旨在将一致性预测方法应用于放射学深度学习模型，以提高其可信度和可靠性，研究结果显示该方法在自动性脑内出血检测方面表现出良好的性能和潜力。

    Jan, 2024

  • 基于初始 CT 扫描的深度学习模型增强颅内出血患者死亡率预测

    使用基于卷积神经网络的算法通过处理初始 CT 扫描图像，能够以高准确度预测蛛网膜下腔出血患者的死亡率。

    Aug, 2023

  • 用于 CT 图像上快速准确的颅内出血分类的双任务视觉变换器

    建立了 ICH 和正常对比以及三种 ICH 图像分类（深部、皮质下和叶间）的数据集，提出了一种用于自动分类和诊断 ICH 图像的双任务视觉变换器（DTViT）。实验结果表明，我们提出的多分类网络在实际测试数据集上表现良好。

    May, 2024

  • 基于类激活映射的无监督 Resnet-LSTM 出血分割在非对比度计算机断层扫描图像中的应用

    通过使用图像级别的二元分类标签，我们提出了一种新颖的 NCCT 扫描弱监督深度学习方法用于 ICH 分割，该方法通过分类网络的类激活图确定 ICH 的大致位置，并使用无监督方法获取的伪 ICH 掩膜进一步改进 ICH 分割

    Sep, 2023

  • 深度学习方法在脑 CT 上识别急性缺血性卒中病变的研究

    研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

    Sep, 2023

  • 基于 Swin Transformers 的全自动流水线用于脑动脉瘤硬膜下出血后头部 CT 扫描的基于深度学习的血液分割

    利用 Swin UNETR 的基于人工智能的完全自动化血液分割工具，该研究开发和验证了针对非对比增强 CT（NCCT）扫描的 SAH 患者的自发性蛛网膜下腔出血（SAH）的准确容积评估方法，其效果鲁棒且具有广泛的临床可采用性。

    Dec, 2023

  • 高容量脑神经影像异常检测的人工智能：系统综述与荟萃分析

    大多数研究评估神经影像学异常检测的人工智能模型不具备代表性的患者队列或不完全验证，导致其在现实任务中的泛化能力较差。本研究的目的是确定诊断试验的准确性，并总结支持使用执行首要、大容量神经影像任务的人工智能模型的证据。

    May, 2024

  • BHSD：一个三维多类别脑出血分割数据集

    通过开发脑出血分割数据集（BHSD），本研究提供了一个包含 192 个像素级注释卷和 2200 个切片级注释卷的 3D 多类脑出血数据集，展示了该数据集在监督和半监督脑出血分割任务上的效用，并提供参考基准实验结果供进一步模型开发和评估使用。

    Aug, 2023