發(fā)布時間：2021-04-01 15:21

　　目的為了在一定程度上減少放射科醫(yī)師在診斷顱內出血時的誤診率,我們利用深度學習的方法,構建卷積神經(jīng)網(wǎng)絡聯(lián)合遞歸神經(jīng)網(wǎng)絡（CNN-RNN）的新型3D神經(jīng)網(wǎng)絡模型,并評估其在頭部平掃CT中檢測顱內出血（ICH）及其五種亞型（腦實質出血,腦室內出血,硬膜下出血,硬膜外出血和蛛網(wǎng)膜下腔出血）的應用價值。方法我們的研究屬于回顧性研究,通過了倫理委員會的批準,共納入三家醫(yī)院2836名（ICH/正常人:1836/1000）受試者的頭部平掃CT,共76621個切片。在數(shù)據(jù)集中保持較高的ICH占比（65%）,以確保有足夠的陽性樣本,有助于算法的學習過程,并且能夠有效評估算法性能。為了提供可訓練的數(shù)據(jù),使用以下步驟對原始CT圖像進行預處理。首先,將所有圖像切片重新采樣為512×512像素,然后下采樣到256×256像素以減少GPU內存使用�？紤]到對CT圖像查看可能需要不同范圍的窗寬與窗位,保留不同組織的細節(jié)差異,我們選擇了三組不同CT值（Hounsfield單位,HU）范圍的窗口來標準化圖像:-50-150HU,100-300HU和250-450HU。每張切片的ICH及其五種亞型標注工作由三位高年資的放射科... 

【文章來源】：安徽醫(yī)科大學安徽省

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

Fig1：算法模型結構示意圖19


本文編號：3113557