基于三维头部模型电阻抗断层成像中脑卒中分类的神经网络方法

我们考虑从三维(3D)电阻抗断层成像(EIT)测量中检测脑出血的问题。这是一种需要紧急治疗的病症,EIT或可提供一种便携且快速的诊断手段。我们采用两种神经网络架构——全连接网络和卷积网络——对出血性卒中与缺血性卒中进行分类。这些网络在一个包含 $40\,000$ 个合成电极测量样本的数据集上训练,样本由完整电极模型在具有三层结构的真实头部上生成。我们考虑了头部解剖结构与各层、电极位置、测量噪声以及电导率值的变化。随后我们在多个未见过的 EIT 数据测试集上测试这些网络,这些测试集具有更复杂的卒中建模(不同形状与体积)、更高水平的噪声以及不同程度的电极错位。在大多数测试集上,全连接神经网络达到了 $\geq 90\%$ 的平均准确率,而卷积网络的平均准确率为 $\geq 80\%$。尽管使用了简单的神经网络架构,所得结果非常有前景,并推动了基于 EIT 的分类方法在真实体模乃至最终在人体患者上的应用。