机构名称：
¥ 1.0
摘要：脑出血是一种发病率逐年上升的恶性疾病。CT 是获取血肿信息和定期监测脑损伤变化的常用方法。然而，由于高频断层扫描，需要获取大量的 CT 图像，这使得分析过程变得复杂。为了提高分析速度并确保 CT 检测的准确性，我们将 CT 与深度学习相结合以实现自动分割。在本研究中，我们开发了一种基于具有残差效应的 U-net 的出血图像分割模型。首先，我们对数据进行筛选，将其分为三部分进行训练、评估和盲测。其次，我们对数据集进行预处理以进行数据增强，以避免过度拟合。数据增强后，我们将数据传输到算法进行训练。对于最终模型，我们获得了一个图像分割器，其平均交并比得分为 0.8871，骰子得分为 0.9362。该算法速度为26.31 fps，大大提高了分析速度。因此，分割器获得了较高的检测效率和定量检测，适合定期监测出血区域并协助医生制定治疗方案。此外，二值分割算法可用于开发头部出血CT图像分类分割任务的预训练模型。
基于深度学习和数据分析的脑血肿分割
主要关键词
相关文件推荐
