Aug, 2023

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

PDF
TL;DR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。
subarachnoid hemorrhageconvolutional neural networksmortality predictionct scanimage processing
发现论文，激发创造
  • 头颅 CT 扫描关键结果检测深度学习算法的开发与验证

    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。

    Mar, 2018

  • 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

  • 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

  • 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

  • RADNET: 基于深度学习的 CT 扫描出血检测，达到放射科医师水平的准确性

    文章使用 RADnet 模型进行自动化脑出血检测，与三位资深放射科医师所作的独立分析相比，RADnet 在 CT 水平上展现了相当的出血预测准确性，并且在召回方面高于两位医师，实现了 3D 上下文的加入，检测性能非常优越。

    Oct, 2017

  • 出血性中风分割和出血体积估计的自动串联模型

    基于 UNet 构建了一个级联的三维模型，从粗到细对 CT 图像中的出血区域进行两阶段分割，并自动计算出出血体积，与传统的 Tada 公式相比，该模型在 341 例出血性中风 CT 扫描中提供了高质量的分割结果（DSC 85.66%）和更好的计算效率（每个样本 6.2 秒）。

    Jan, 2024

  • 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

  • 深度学习在脑动脉瘤病出血预测中的应用

    本研究开发了三种机器学习分类算法来预测磨铜病患者出血的风险，结果表明基于 ANN 的算法具有最高的 75.7％准确率，是一种有效的预测成年磨铜病患者血肿可能性的工具。

    Feb, 2023

  • 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

  • 基于影像和表格数据的生成预后模型预测脑内出血治疗效果

    该研究论文提出了一种利用成像和表格数据预测脑出血治疗结果的新型预测模型。作者通过观察性数据训练模型，提供了可靠的治疗成功预测，使用变分自编码器模型生成低维预测得分，以有效解决非随机对照试验产生的选择偏倚。实验结果表明，该方法在治疗结果预测方面相较现有方法有显著改进。

    Jul, 2023