联合CNN-RNN构建深度学习算法模型精确诊断颅内出血及亚型的应用研究

发布时间：2021-04-01 15:21

　　目的为了在一定程度上减少放射科医师在诊断颅内出血时的误诊率,我们利用深度学习的方法,构建卷积神经网络联合递归神经网络（CNN-RNN）的新型3D神经网络模型,并评估其在头部平扫CT中检测颅内出血（ICH）及其五种亚型（脑实质出血,脑室内出血,硬膜下出血,硬膜外出血和蛛网膜下腔出血）的应用价值。方法我们的研究属于回顾性研究,通过了伦理委员会的批准,共纳入三家医院2836名（ICH/正常人:1836/1000）受试者的头部平扫CT,共76621个切片。在数据集中保持较高的ICH占比（65%）,以确保有足够的阳性样本,有助于算法的学习过程,并且能够有效评估算法性能。为了提供可训练的数据,使用以下步骤对原始CT图像进行预处理。首先,将所有图像切片重新采样为512×512像素,然后下采样到256×256像素以减少GPU内存使用。考虑到对CT图像查看可能需要不同范围的窗宽与窗位,保留不同组织的细节差异,我们选择了三组不同CT值（Hounsfield单位,HU）范围的窗口来标准化图像:-50-150HU,100-300HU和250-450HU。每张切片的ICH及其五种亚型标注工作由三位高年资的放射科... 

【文章来源】：安徽医科大学安徽省

【文章页数】：53 页

【学位级别】：硕士

【部分图文】：

Fig1：算法模型结构示意图19


本文编号：3113557