该研究介绍了一种名为 TBI-IT 的医学领域创伤性脑损伤的新数据集，该数据集包括电子病历和头部 CT 图像，并旨在通过提取关键内容和将图像数据进行分类注释来增强人工智能在 TBI 的诊断和治疗中的准确性。该数据集旨在成为图像分割任务和实体命名识别中的特征学习基础数据集。

Mar, 2024

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

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

血脑屏障区自动分割方法的 CT 数据集 PHE-SICH-CT-IDS 将有助于评估 intracerebral hemorrhage 的分割、检测和特征提取方法。

Aug, 2023

ICHPro 是一种基于联合注意力融合的三维跨模态网络，模拟了神经外科医生在脑出血预后解释过程中使用的方法，能提取更丰富的跨模态特征，从而提高分类性能。

Feb, 2024

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

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

本研究提出了一种基于 Swim transformer 的弱监督颅内出血分割方法，并将其与基于 U-Net 的全监督方法及使用 Grad-CAM 的类似弱监督方法进行了比较，结果显示该方法具有良好的医学图像分割潜力。

Apr, 2023

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

该论文介绍了一种新的深度学习算法 GCS-ICHNet，通过融合多模态脑 CT 图像数据和格拉斯哥昏迷分级评分（GCS），改进了脑出血的预后，该算法表现出较高的敏感性和特异性，优于平均临床医生和其他最先进的方法。

Nov, 2023