基于动态模糊编码器网络的中风联合诊断与空间定位研究

《npj Digital Medicine》：Learning uncertainty fields for joint brain stroke diagnosis and intrinsic lesion localization in CT and MRI

摘要

早期中风的变化在神经影像学检查中往往难以检测和定位，尤其是当病变边界不明显时。我们开发了动态模糊编码器网络（DFE-Net），该网络使用可学习的模糊隶属场来表示空间不确定性，并能够同时对中风进行分类并定位病变。我们在一个包含6650名患者和8873张图像的多中心计算机断层扫描（CT）队列，以及一个包含67名患者和615张图像的磁共振成像（MRI）队列中对该模型进行了评估。训练和测试分别在两种成像模式下进行。DFE-Net在CT上的接收者操作特征曲线下面积（AUC）为0.974，F1分数为0.897；在MRI上的相应值为0.978和0.879。在CT队列中，与专家标注相比，病变定位的Dice分数为0.70。由于缺乏专家制定的病变掩模，MRI的定位是通过梯度导出的伪目标进行的评估。预计两组的校准误差约为0.022，该模型包含20万个参数。这些结果表明，使用这种紧凑型模型可以实现联合诊断和空间定位，尽管仍需要前瞻性验证以及由专家标注的MRI评估。