低剂量 CT 卒中诊断：面向便携式神经成像的双流水线深度学习框架
计算机视觉与模式识别
2026-03-31 v1
摘要
便携式 CT 扫描仪使院前和低资源环境中的早期卒中检测成为可能，但需要降低辐射剂量，引入噪声从而降低诊断可靠性。我们提出一个用于从模拟低剂量 CT（LDCT）脑部扫描进行卒中分类的深度学习框架，适用于移动临床环境中的 AI 辅助分诊。对高剂量 CT 图像施加受控泊松噪声以模拟真实的 LDCT 条件。我们比较两条流水线：（1）对噪声 LDCT 图像直接分类和（2）去噪后分类。在多个剂量水平上使用准确率、灵敏度和 AUC 评估性能。虽然去噪改善了感知图像质量，但并未始终改善分类。在若干设置中，直接分类获得了更高的灵敏度，揭示了感知质量与诊断效用之间的权衡。最佳的去噪-然后-分类流水线在中剂量水平上达到 0.94 AUC 和 0.91 准确率，在特定情况下优于直接分类高达 6%。本工作建立了使用出血性卒中数据（RSNA 数据集）进行 LDCT 卒中分诊的可复现基线，并强调了在缺血队列和真实便携式 CT 系统上进行验证的必要性。
引用
@article{arxiv.2603.26764,
title = {Low Dose CT for Stroke Diagnosis: A Dual Pipeline Deep Learning Framework for Portable Neuroimaging},
author = {Rhea Ghosal and Ronok Ghosal and Eileen Lou},
journal= {arXiv preprint arXiv:2603.26764},
year = {2026}
}
备注
13 pages, 4 figures, 3 tables. Includes dose-level evaluation and robustness stress tests (motion and ring artifacts). Code and dataset based on RSNA Intracranial Hemorrhage Detection