基于深度学习的颅内出血CT影像分析

发布时间：2021-08-01 11:42

　　颅内出血是一种高发病率和高病死率的脑血管疾病,临床准确诊断和及时干预方案将有助于提高患者的生存率。计算机断层扫描（CT）成像是初步诊断颅内出血的首选方案,基于深度学习的颅内出血CT影像分析的研究将有助于降低医生的漏诊率和误诊率。颅内出血分析主要包括两个任务:颅内出血亚类型分类和颅内出血区域分割。颅内出血亚类型分类任务中,大多数研究都基于卷积神经网络,但是目前这些方法输出的单一预测概率难以用于判断模型的可靠程度,如何获得安全可靠的深度学习模型是极具挑战性的任务。颅内出血区域分割任务中,传统方法对不同类型的颅内出血提出不同的手工特征用于分割,然而这些精心设计的手工特征难以同时适应不同类型的颅内出血分割,深度学习通过强大的表征能力可以解决该问题,然而基于深度学习的颅内出血区域分割仍然面临着以下问题:颅内出血分割标注需要耗费人类专家大量的时间和精力,因此难以获得大量标注数据;深度学习模型往往有大量的参数,缺乏大量标注数据将使得模型遭受过拟合的风险,因此限制了深度学习在颅内出血分割上的表现。针对以上深度学习在颅内出血分析上存在的问题,本文提出以下方法来应对这些挑战:·在当前先进的卷积神经网络的基... 

【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

颅内出血各类型在训练集和测试集中所占总数比例

基于深度学习的颅内出血CT影像分析图2.4展示了测试集上部分CT图像及其相应的类别激活图，从上到下每行分别是硬脑膜外出血、脑实质出血、脑室出血、蛛网膜下腔出血和硬脑膜外出血的类别激活图。可以看出，类别激活图关注着一些关键区域，除了出血区域，还关注一些与任务相关的地方，比如硬脑膜外出血，模型除了关注沿脑骨附近的区域外，还关注边缘区域，因为硬脑膜外出血的区域集中在脑骨以及边缘附近。另外，由于类别激活图和类别相关，更加关注于任务相关的区域而抑制与任务无关的区域，比如蛛网膜下腔出血类别图中第2张CT图像（即第4行第2列），该CT图像还存在脑室出血和硬脑膜下出血，然而类别激活图只关注蛛网膜下腔出血区域。通过类别激活图，可以判断模型是否可靠，同时可以指导人类发现忽略的出血区域。2.3.4与其他方法对比为了和其他对方进行对比，本章在该数据集下实现了ResNet-18(He等,2016)卷积神经网络，训练参数和本章训练EfficientNet方法一样。这是由于ResNet是一种常用的卷积神经网络，并且Chilamkurthy等(2018)等使用该结构进行颅内出血以其亚类型分类，因此ResNet可以作为一种基准模型。图2.5对比了ResNet和EfficientNet在颅内出血以及亚类型分类上的ROC曲线和AUC值。可以看出，本章使用的EfficientNet相比ResNet在颅内出血以及亚类型分类上更具优势，其中在颅内出血分类上，EfficientNet的AUC值达到0.9791，高于ResNet的0.9691，在硬脑膜外出血上，EfficientNet相比ResNet的AUC值提升最大。本章使用的EfficientNet在颅内出血亚类型分类上的AUC值都大于0.96，展示了其优异的性能。表2.2和2.3对比了测试集上ResNet和EfficientNet在各颅内出血任务上的分类性能，性能指标使用临床上关注的敏感性和特异性。由于ResNet和Effi-

基于深度学习的颅内出血CT影像分析图2.4测试集上部分CT图像及其类别激活图Figure2.4SomeCTimagesandcorrespondingCAMontestset.表2.2测试集上颅内出血、硬脑膜外出血和脑实质出血中EfficientNet和ResNet的性能比较。Table2.2PerformancecomparisonsbetweenEfficientNetandResNetinICH,EDHandCPHontestset.颅内出血硬脑膜外出血脑实质出血敏感性特异性敏感性特异性敏感性特异性ResNet0.76710.97880.04810.99980.67820.9932EfficientNet0.83110.97750.22800.99940.77090.993418


本文编号：3315461