用于改进颅内出血 CT 成像检测的3D卷积神经网络
图像与视频处理
2025-03-27 v1 计算机视觉与模式识别
摘要
背景：颅内出血(IB)是由创伤性脑损伤引起的危及生命的疾病，包括颅内大出血、颅内小出血、颅内出血和脑髓层出血。快速准确的检测对于预防严重并发症至关重要。传统影像学检查速度较慢，且在高压情境下容易出现变异性。人工智能(AI)提供了解决方案，通过快速分析医学影像、识别微小出血并标记紧急病例。通过提升诊断速度和准确性，AI改进了工作流程和患者护理。本文探讨了AI在紧急环境中 transforming 颅内出血检测的作用。方法：本研究采用U型3D卷积神经网络(CNN)自动化颅内出血的检测与分类。采用CLAHE和强度归一化等高级预处理方法提高图像质量。该架构保留空间和上下文细节，以实现精确分割。用于训练和评估的CT扫描标注数据集包含2912例。结果：该模型在主要出血类型上表现优异，大多数情况下精确率、召回率和准确率均超过90%，颅内大出血达96%精确率，颅内小出血达94%准确率。其对出血物种的分类与定位能力凸显了其临床可靠性。结论：本U型3D CNN为自动化颅内出血检测提供了可扩展解决方案，缩短诊断延迟，改善了急诊护理结果。未来工作将扩展数据集多样性，优化实时处理，并整合多模态数据以提高临床适用性。
引用
@article{arxiv.2503.20306,
title = {3D Convolutional Neural Networks for Improved Detection of Intracranial bleeding in CT Imaging},
author = {Bargava Subramanian and Naveen Kumarasami and Praveen Shastry and Kalyan Sivasailam and Anandakumar D and Elakkiya R and Harsha KG and Rithanya V and Harini T and Afshin Hussain and Kishore Prasath Venkatesh},
journal= {arXiv preprint arXiv:2503.20306},
year = {2025}
}
备注
12 pages,4 figures