AI 驱动的脑内出血检测：一种基于不确定性模糊积分算子和特征筛选的双尺度卷积注意力模型
计算机视觉与模式识别
2026-02-10 v2 人工智能
机器学习
摘要
脑内出血（Intracranial hemorrhage, ICH）指血液在头骨内泄漏或积聚，由于血管在脑部或周围破裂引起。如果不及时诊断并妥善处理，可导致意识减低、永久性神经功能障碍甚至死亡。本研究的主要目标是检测 ICH 的发生或不存在，并随后确定亚大出血（subdural hemorrhage, SDH）的类型。这些任务被建模为两个独立的二元分类问题。通过在共尺度卷积注意力（co-scale convolutional attention, CCA）分类器架构中添加两层，我们引入了一种新方法用于 ICH 检测。在第一层，提取来自不同切片的 CT 扫描图像特征后，将这些特征组合并选取能捕获数据方差最高的 50 个成分，视为信息丰富的特征。随后使用自举森林算法评估这些特征的判别力，丢弃缺乏足够判别能力以区分不同类别的特征。该算法显式确定每个特征对最终预测的贡献，帮助我们开发可解释的 AI 模型。特征输入到提升神经网络作为潜在特征空间。在第二层，我们引入一种基于不确定性的模糊积分算子来融合来自不同 CT 扫描切片的信息。该算子通过考虑连续切片之间的依赖关系，显著提高了检测准确性。
引用
@article{arxiv.2412.14869,
title = {AI-Powered Intracranial Hemorrhage Detection: A Co-Scale Convolutional Attention Model with Uncertainty-Based Fuzzy Integral Operator and Feature Screening},
author = {Mehdi Hosseini Chagahi and Niloufar Delfan and Behzad Moshiri and Md. Jalil Piran and Jaber Hatam Parikhan},
journal= {arXiv preprint arXiv:2412.14869},
year = {2026}
}