用于超声数据中颅内出血检测的轻量级分类器
图像与视频处理
2025-10-27 v1 计算机视觉与模式识别
摘要
继发于创伤性脑损伤（TBI）的颅内出血（ICH）是一个关键的诊断挑战，美国每年约有64,000例与TBI相关的死亡。当前的诊断方式，包括计算机断层扫描（CT）和磁共振成像（MRI），存在显著局限性：成本高、可用性有限且依赖基础设施，尤其是在资源受限的环境中。本研究探讨了使用超声组织搏动成像（TPI）进行自动化ICH检测的机器学习方法，TPI是一种便携式技术，可测量心动周期中由血流动力学力引起的组织位移。我们分析了包含每个心动周期30个时间帧及记录角度信息的超声TPI信号，这些信号来自具有CT确认金标准标签的TBI患者。我们的预处理流程采用z-score归一化和主成分分析（PCA）进行降维，保留解释95%累积方差的成分。我们系统地评估了多种分类算法，涵盖概率模型、基于核的方法、神经网络和集成学习方法，在三种特征表示上进行了测试：原始31维空间、降维子集和PCA变换空间。结果表明，PCA变换显著提升了分类器性能，集成方法达到了98.0%的准确率和0.890的F1分数，尽管存在类别不平衡，但仍有效平衡了精确率和召回率。这些发现确立了使用便携式超声设备对TBI患者进行基于机器学习的ICH检测的可行性，适用于传统成像不可用的急诊医学、农村医疗和军事环境。
引用
@article{arxiv.2510.20857,
title = {Lightweight Classifier for Detecting Intracranial Hemorrhage in Ultrasound Data},
author = {Phat Tran and Enbai Kuang and Fred Xu},
journal= {arXiv preprint arXiv:2510.20857},
year = {2025}
}