.png){kind=icon}
返回
Improving Stroke Segmentation and Classification Performance Using a Goal-Oriented Deep Learning Framework
.png){kind=icon}
PRE
AI
DOI：10.1002/ima.70147.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
CT扫描在诊断和治疗中风方面发挥着关键作用，为脑组织内出血的位置、大小和范围提供了重要的见解。本研究探讨了两种不同的中风检测、分类和分割场景，利用TEKNOFEST竞赛中的6951张脑部CT图像。在这两种场景中，CT图像都经过预处理步骤，包括颅骨剥离、归一化和图像增强。在第一种场景中，中风有无分类在测试图像上达到了98%的成功率。随后对有中风图像的分割结果在测试图像上，缺血性中风的Dice评分为59%，出血性中风的Dice评分为67%。中风类型（缺血性和出血性）的分类达到了100%的成功率，而在不进行分割直接分类中风类型时，成功率为97%。这表明在分割中风区域后应用分类过程，性能提升了3%。在第二种场景中，对无中风、缺血性中风和出血性中风的三分类在测试图像上平均成功率为97%。分类后，分别为缺血性和出血性中风分割创建的模型分别获得了78%和79%的Dice评分。第二种场景通过分类后的分割过程，缺血性和出血性中风的分割性能分别提升了19%和12%。所提出的方法在竞赛排名中超越了竞争对手队伍。
Keyword:
brain stroke
CT
deep learning
stroke classification
stroke segmentation
期刊
IF:
2.5
论文数:
2.2K
被引数:
2.3K
机构
引用论文
Deep Learning for Hemorrhagic Lesion Detection and Segmentation on Brain CT Images基于深度学习的脑部CT图像出血灶检测与分割
PREAI
分享收藏MultiResUNet : Rethinking the U-Net architecture for multimodal biomedical image segmentationMultiusunnet: 重新思考多模态生物医学图像分割的u-net体系结构.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏PerfU-Net: Baseline infarct estimation from CT perfusion source data for acute ischemic strokePerfu-net: 基于CT灌注源数据的急性缺血性卒中基线梗死估计MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Effect of Normalization Techniques on Classification Success in Biomedical Data生物医学数据中归一化技术对分类成功率的影响
IF0
PREAI
分享收藏Discrete-MultiResUNet: Segmentation and Feature Extraction Model for Knee MR ImagesDiscrete-MultiResUNet：膝关节MR图像分割与特征提取模型
IF0
PREAI
分享收藏
查看更多内容