使用深度卷积模型进行颅内出血分割
图像与视频处理
2019-11-18 v2 计算机视觉与模式识别
摘要
创伤性脑损伤可导致颅内出血（ICH）。若不能在时效性操作中准确诊断与治疗，ICH 可导致残疾或死亡。当前诊断 ICH 的临床方案是由放射科医生检查计算机断层扫描（CT）以检测 ICH 并定位其区域。然而，该过程严重依赖经验丰富的放射科医生的可得性。在本文中，我们设计了一项研究方案以收集 82 例创伤性脑损伤受试者的 CT 扫描数据集。随后，由两名放射科医生共识决策在每一层切片中手动勾画 ICH 区域。近来，全卷积网络（FCN）已被证明在医学图像分割中取得成功。我们开发了一种称为 U-Net 的深度 FCN，以全自动化方式从 CT 扫描中分割 ICH 区域。基于 5 折交叉验证，该方法在 ICH 分割上取得了 0.31 的 Dice 系数。该数据集已在 PhysioNet 仓库公开供后续分析与比较。
引用
@article{arxiv.1910.08643,
title = {Intracranial Hemorrhage Segmentation Using Deep Convolutional Model},
author = {Murtadha D. Hssayeni and M. S. and Muayad S. Croock and Ph. D. and Aymen Al-Ani and Ph. D. and Hassan Falah Al-khafaji and M. D. and Zakaria A. Yahya and M. D. and Behnaz Ghoraani and Ph. D},
journal= {arXiv preprint arXiv:1910.08643},
year = {2019}
}