阅读论文计划 5/10000 脑出血检测

最新推荐文章于 2024-11-11 19:57:10 发布

小炭火

最新推荐文章于 2024-11-11 19:57:10 发布

阅读量403

点赞数 6

文章标签：计算机视觉

本文链接：https://blog.csdn.net/qq_41037660/article/details/135738602

版权

Recurrent Sub-volume Analysis of Head CT Scans for the Detection
of Intracranial Hemorrhage maccai2019

在这里插入图片描述

该论文的主要创新点包括：

提出了一种将切片级别和整个扫描级别分析相结合的方法，以考虑计算复杂性、上下文信息和缺失小型异常的问题。
提出了一种无监督方法来提取颅内区域。
创建了子体积以确保发现微小异常的可见性。
生成了每个子体积的多个复合图像，以更好地显示异常。
将密集连接卷积神经网络（DenseNet）与递归神经网络（RNN）级联，以考虑跨子体积的上下文信息。

展示的是一种用于医学图像分析的计算框架，专门用于识别脑出血情况。框架的第一步是输入扫描，这通常指的是脑部的CT扫描或MRI图像。首先进行**“windowing”或窗宽窗位调整**，以优化图像比对脑组织类型的可见度；其次是“Brain region extraction”，这个步骤中将从整个图像中剔除非脑部区域，只保留脑部的扫描结果。

在脑区域提取之后，框架将脑部区域进一步划分为较小的子体积（sub-volumes），每个子体积将独立进行处理。对于每个子体积分别执行以下序列：首先，使用最大强度投影（MIP）和大津阈值（Otsu）方法来增强潜在的出血信号；然后利用卷积神经网络（DenseNet）来提取特征；最后，将特征输入到递归神经网络（RNN）来捕捉子体积之间的空间关系。这个处理序列有助于系统判断每个子体积内的出血情况。整个过程对每个子体积重复执行，最终系统将综合所有子体积的结果，来确定是否存在颅内正常情形（NO ICH）或颅内出血（ICH）。通过这种结合了CNN和RNN的深度学习框架，可以更准确地分析和诊断颅内出血。

颅内区域的提取是通过一种无监督的方法实现的。具体来说，该方法包括以下步骤：

对整个CT扫描应用“brain window”，窗宽为80，窗位为40，以突出显示脑组织类型。
通过自动阈值分割方法，将扫描图像中的像素分为空气、软组织和骨头三类。然后，通过识别最大的骨头岛屿并对其进行凸包拟合，提取出颅骨的外轮廓。
对于每个切片，找到其中最大的软组织岛屿，以此确定包含最大脑区域的切片（Slice_maxbr）。
对于位于Slice_maxbr以上的切片，将最大软组织岛屿定义为脑部区域。
对于位于Slice_maxbr以下的切片，使用上一切片中提取的脑部区域作为初始区域，通过将该区域与当前切片的ROI相乘，然后提取当前切片中的最大3个软组织岛屿，来提取脑部区域。

子体积的创建是通过将整个脑部区域划分为多个子体积来实现的。具体来说，将整个脑部区域划分为n个子体积，每个子体积的大小为(J, K, L)，其中i表示第i个子体积，j表示第j个切片，k表示第k个行，l表示第l个列。在每个子体积中，使用最大强度投影（MIP）、最小强度投影（MinIP）和大津阈值（OtsuIP）方法生成三个复合图像，以增强潜在的出血信号。这些复合图像可以提高对颅内出血的检测能力，同时也可以减少噪声的影响。

具体来说，**MIP图像有助于识别高密度区域，特别是出血区域；MinIP图像有助于突出脑室异常、低密度区域和硬膜下区域的异常；OtsuIP图像则可以捕捉高密度和低密度区域的异常。**在这项研究中，n的值为16，这意味着整个脑部区域被划分为16个子体积，每个子体积都有三个复合图像。这些复合图像可以并行输入到DenseNet中，以提取特征并进行颅内出血的检测。