| 潘康轶，洪泳.基于深度学习算法的头颅CT平扫图像中脑梗死区域的自动检测[J].放射学实践,2025,(06):697-702 |
| 基于深度学习算法的头颅CT平扫图像中脑梗死区域的自动检测 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.06.001 |
| 中文关键词: 深度学习 脑梗死 急性脑卒中 体层摄影术，X线计算机 |
| 基金项目: |
|
| 摘要点击次数: 121 |
| 全文下载次数: 98 |
| 中文摘要: |
| 【摘要】目的：探索建立一种深度学习残差网络（ResNet）模型，用于自动识别头颅CT平扫图像中的梗死灶，以期辅助提升急性缺血性脑卒中的诊断准确性。方法：连续招募通过磁共振弥散加权成像（MR-DWI）确诊的首次发生缺血性脑卒中的患者（发病时间不超过9h）以及健康对照组。所有受试者均接受了CT平扫和MR-DWI检查，两次检查的扫描范围、层厚（4mm）和层间距（4mm）均保持一致（两次检查的时间间隔不超过4h）。以MR-DWI作为判定梗死核心金标准，构建一个基于ResNet的模型（准确度89.71%，敏感度88.17%，特异度91.25%），用以自动检测头颅CT平扫图像中的脑梗死区域。结果：共纳入2018年1月至2023年12月的150位缺血性脑卒中患者和50位健康对照者。其中100位患者被随机选入训练组，其余50位患者和50位健康对照者则被纳入测试组。残差网络模型在测试组中成功识别出了42位患者（放射科医师成功识别33位，P=0.0377)及45位健康对照者（放射科医师成功识别48位，P=0.2397）。结论：深度学习残差网络模型能够有效地在头颅CT平扫图像中检测到早期梗死灶，并有望辅助临床医生提升对急性缺血性脑卒中的诊断准确度。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
