利用三维 CT 与残差三元组卷积神经网络增强轻型创伤性脑损伤诊断
图像与视频处理
2024-04-09 v1 计算机视觉与模式识别
机器学习
摘要
轻型创伤性脑损伤（mTBI）是一种常见且难以准确诊断的疾病。及时而精确的诊断对于有效治疗和改善患者预后至关重要。传统的 mTBI 诊断方法在准确性与灵敏度方面常有局限。本研究中，我们引入一种创新方法，利用三维计算机断层扫描（CT）图像与以三元组损失训练的度量学习技术来增强 mTBI 诊断。为应对这些挑战，我们提出残差三元组卷积神经网络（RTCNN）模型，通过将三维 CT 扫描嵌入特征空间来区分 mTBI 病例与健康者。三元组损失函数最大化相似与不相似图像对之间的间隔，从而优化特征表示。这有助于更好地对个体病例进行上下文定位，辅助知情决策，并有可能改善患者预后。我们的 RTCNN 模型在 mTBI 诊断中表现出良好性能，经五折交叉验证确认，平均准确率达 94.3%、灵敏度 94.1%、特异度 95.2%。重要的是，与传统残差卷积神经网络（RCNN）模型相比，RTCNN 表现出显著提升，特异度提高 22.5%、准确率提升 16.2%、灵敏度增强 11.3%。此外，RTCNN 所需内存资源更低，使其在最大限度减少假阳性的同时最大化诊断准确性方面不仅高效而且资源节约。所提供的定量性能指标以及利用遮挡敏感性图对模型决策过程进行可视化解释，进一步增强了我们方法的可解释性与透明度。
引用
@article{arxiv.2311.14197,
title = {Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT},
author = {Hanem Ellethy and Shekhar S. Chandra and Viktor Vegh},
journal= {arXiv preprint arXiv:2311.14197},
year = {2024}
}