使用3D卷积神经网络在非对比CT图像中进行急性缺血性脑卒中病灶分割

本文提出了一种旨在对非对比计算机断层扫描脑部3D图像中的急性缺血性脑卒中病灶进行体积分割的自动算法。我们的深度学习方法基于流行的 3D U-Net 卷积神经网络架构，并通过添加挤压与激励模块和残差连接对其进行了修改。我们实现了稳健的预处理方法以提高分割精度。此外，采用了一种特定的图像块采样策略，以应对医学图像的大尺寸问题，平滑类别不平衡问题的影响，并稳定神经网络训练。所有实验均在包含81名确诊急性缺血性脑卒中患者的非对比计算机断层扫描体积脑部扫描数据集上，使用五折交叉验证进行。两名放射学专家独立手动分割图像，随后验证标注结果以消除不一致。所提出算法和所得分割的定量结果通过 Dice 相似系数、敏感度、特异度和精确度指标进行测量。我们提出的模型实现了平均 Dice 为 $0.628\pm0.033$、敏感度为 $0.699\pm0.039$、特异度为 $0.9965\pm0.0016$ 和精确度为 $0.619\pm0.036$，展现出有前景的分割结果。