比较二维和三维卷积神经网络中的窗口化方法，以进行脑部中线位移的分类

《Biomedical Signal Processing and Control》：Comparing windowing methods in 2D and 3D convolutional neural networks to classify brain midline shift

　　

Laura Zinnel | Sarah A. Bentil

爱荷华州立大学科技大学，Union Drive 2529，Ames，50011，IA，美国

摘要

放射科医生可以使用计算机断层扫描（CT）来检测大脑中的中线偏移（MLS）。这种中线偏移可能由创伤性脑损伤（TBI）或颅内压升高引起。诊断MLS的过程耗时较长，因此阻碍了患者及时得到治疗。此外，由于放射科医生的专业知识和经验不同，诊断过程具有主观性。因此，有必要开发一种能够快速且一致地客观检测MLS的方法。为此，本研究训练了2D和3D卷积神经网络（CNN）来使用头部CT扫描检测大于5毫米的中线偏移。在深度学习模型的图像预处理过程中，考虑了三种不同的窗口设置（无窗口处理、脑部窗口处理和硬膜下窗口处理）。由于集成模型在机器学习和深度学习应用中表现良好，因此在本研究中也创建了这些模型。通过比较模型的性能结果，可以帮助了解哪种深度学习模型能够有效检测MLS。结果表明，与在预处理步骤中进行过窗口处理的图像训练的2D-CNN和3D-CNN相比，在未经预处理的图像上训练的3D-CNN集成模型具有最佳性能。

章节片段

创伤性脑损伤

全球每年有5000万至6000万人患有创伤性脑损伤（TBI）[1]。这种常见的神经系统疾病是由于头部受到撞击或颅骨受到穿透性损伤引起的[2]。文献表明，TBI的影响可能在受伤后持续很长时间[3]。因此，TBI越来越多地被视为一种慢性健康问题[4]。TBI的长期影响包括认知缺陷（如注意力和记忆困难）以及社交缺陷[4]。

基于标志点和基于对称性的方法

已经开发出多种不使用深度学习方法（即神经网络）的中线偏移检测和量化算法[5]。这些算法主要分为“基于标志点”的方法和“基于对称性”的方法[5]、[12]。尽管也有结合了基于对称性和基于标志点方法的MLS检测方法[3]、[13]、[14]、[15]。

[7]、[10]提出了基于标志点的方法来估计dML和

数据集

CT扫描通常用于检测MLS，数据来源于公开可用的CQ500数据集[29]，该数据集使用数字医学成像和通信（DICOM）文件格式提供扫描图像。CQ500数据集包含491名年龄在7至95岁之间的受试者的扫描图像，平均年龄为48.13岁。CQ500数据集中的36.25%的受试者为女性[17]。CQ500数据集中的每张CT扫描都附有标签，表明是否存在

结果

使用第3.7节中讨论的六个指标评估了每个模型（即具有特定预处理方法的2D-CNN或3D-CNN）的性能。这些指标包括$TPR$, $TN$, .这些性能指标分别代表了准确率、精确度、F1分数、PPV（阳性预测值）和NRV（阴性预测值）。对于每个指标，计算了在10个不同子集上训练的十个单独模型的平均指标值。这些平均指标值用于评估各个模型的性能。每个性能指标也被应用于

结论

未经预处理的3D-CNN集成模型在测试集上的性能最佳（准确率为84.5%）。然而，未经预处理的2D-CNN集成模型在测试集上的性能最差（准确率为57.7%）。此外，每种模型类型和预处理方法的集成模型都比单独训练的模型表现更好。这些结果支持使用集成模型来创建更具泛化能力的模型，这与

CRediT作者贡献声明

Laura Zinnel：撰写 - 审稿与编辑、原始稿撰写、可视化、验证、软件开发、方法论、概念构思。Sarah A. Bentil：撰写 - 审稿与编辑。

利益冲突声明

作者声明他们没有利益冲突，也没有任何已知的可能会影响本文的财务或个人关系。

致谢

本研究部分得到了美国国家科学基金会的资助（授权号：2152117）。任何观点、发现、结论或建议均为作者所持，并不一定反映国家科学基金会的观点。本研究还得到了爱荷华州立大学的部分支持。