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

PDF
TL;DR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。
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

  • 使用基于 Transformer 网络的方法并行估计 CT 脑部缺血损伤的年龄和分割

    本文提出了一种基于 Transformer 网络的多任务模型，用于同时对脑缺血损伤进行分割和估计时间，该模型利用门控位置自注意力和 CT 专用数据增强来捕捉长距离的空间依赖性，综合评估表明该方法在分割效果、时间分类性能和向先前工作提供的比较方面都表现出色。

    Jun, 2023

  • 一种用于缺血性中风病变分割的鲁棒集成算法：超越 ISLES 挑战的广泛适用性和临床效用

    2022 年缺血性卒中病灶检测和分割的集成算法能对扩散加权磁共振成像 (DWI) 图像进行准确分析，与专家相媲美，并具有临床应用的潜力。

    Mar, 2024

  • 基于迁移学习的脑部损伤分割元分析

    本文提出了一种基于深度学习技术的脑卒中损伤分割方法，旨在实现损伤扩展和影响的客观测量，以预测神经功能损害和康复潜力。该方法可以高效、自动地进行分割，并同时提供损伤体积和对大脑结构的加权损伤量量化。

    Jun, 2023

  • 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

  • APIS: 一个用于脑缺血分割挑战的 CT-MRI 成对数据集

    中风是全球第二大死因，本研究介绍了 APIS 数据集，它包含了 NCCT 和 ADC 研究的急性缺血性中风患者，可用于帮助诊断、定位和分析中风病变。

    Sep, 2023

  • 基于随机专家抽样的非对比度 CT 图像深度学习分割急性缺血性中风

    基于多位专家的深度学习方法，本研究利用非对比 CT 图像自动量化缺血性脑组织。采用随机专家抽样的训练方案，该模型在专家结果、多数投票模型性能和临床结果等方面显示更高的一致性，并能像 CT 灌注图像一样准确地识别非对比 CT 图像中急性缺血性脑组织的存在和位置，从而在非专业医院中进一步确保对患者进行血管内治疗的选择。

    Sep, 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

  • 应用于非对比 CT 中卒中灶分割的同步图像 - 标签扩散概率模型

    本文提出了一种基于扩散概率模型的非对比 CT 扫描中卒中病灶分割方法，该方法完全基于隐变量模型，在噪声预测流的帮助下能够高效地推断出最终标签，经多组数据集验证，证实其达到了最先进的性能。

    Jul, 2023

  • 使用深度卷积神经网络和视觉转换器对中风血栓起源的图像分类

    本研究使用四种深度神经网络架构与简单集成方法，应用人工智能技术对急性缺血性卒中心源性进行分类。

    May, 2023