Machine Learning for Detecting Early Infarction in Acute Stroke with Non–Contrast-enhanced CT 2020
初始图像处理:流程从进行随访非增强CT开始,对其进行手动校正技术,如倾斜校正和头骨剥离(从图像中去除头骨以便集中于脑组织),以准备图像。
预处理步骤:然后,图像经历一系列预处理步骤,包括在不同尺度上的平滑以减少噪音和非线性镜像调整,以突出可能指示病变存在的不对称性。
特征图创建:与预处理步骤并行进行,通过使用U-Net(一种专为医学图像分割而设计的卷积神经网络)进行迁移学习,创建了多个特征图。迁移学习使模型能够利用其已经学到的相关任务的知识。特征图包括一个低衰减图,以突出低衰减区域,一个脑脊液(CSF)图和一个距离图。
病变位置概率:然后,将这些特征图输入到一个随机森林分类器中——随机森林是一种在训练时通过构建多个决策树并输出各个树的类别(分类)的机器学习模型——用于输出病变位置的概率图。
最终分割:最后一步(右下角)是通过概率图得出的不同尺度的不对称性图,用于最终分割钙化病变,将其呈现为脑组织中的对比区域。
在脑出血的分割中,寻找脑脊液区域并计算距离的主要目的可能是为了帮助算法更好地区分出血区域和周围正常组织。虽然脑出血区域在CT或MRI图像中通常具有明显的密度或信号特征,但有时候出血区域的边界可能不够清晰,或者周围组织的特征与出血区域相似,这可能会导致算法在分割过程中出现困难。
通过寻找脑脊液区域并计算到脑脊液的距离,可以为算法提供额外的信息和特征,帮助算法更好地理解图像中不同组织之间的空间关系。脑脊液通常具有与出血区域不同的密度或信号特征,而且在脑部解剖结构中具有固定的位置和形态,因此通过计算到脑脊液的距离,可以帮助算法更准确地定位和分割出血区域。
此外,计算距离还可以帮助排除一些与脑脊液区域相邻但不属于出血区域的结构,如血管、脑室等,从而提高分割的准确性和精度。
总的来说,寻找脑脊液区域并计算距离可能是为了引入额外的空间信息和特征,帮助算法更好地分割出脑出血区域,并提高分割的准确性和鲁棒性。