-
题名基于CT影像搏动性耳鸣识别及高致病区域
- 1
-
-
作者
田山
王治文
曹学鹏
苏磊
刘兆会
-
机构
北京航空航天大学生物与医学工程学院生物力学与力生物学教育部重点实验室
山西省吕梁市中医院吕梁市中医药现代化工程重点实验室
北京红棉小冰科技有限公司
首都医科大学附属北京同仁医院放射科
-
出处
《北京航空航天大学学报》
北大核心
2025年第2期625-632,共8页
-
基金
国家自然科学基金(12002024,82071882)
北京市自然科学基金(7222029)。
-
文摘
搏动性耳鸣(PT)的病因诊断依赖于影像学检测,但病因众多,缺乏普适性强、机制明确的诊断标准。基于搏动性耳鸣患者和无耳鸣人群的计算机断层扫描(CT)影像横截面图,提出一种高精度的耳鸣识别神经网络模型,并自动标示高致病区域,辅助临床诊断。使用迁移学习Resnet-v1-50模型,取骨窗颞骨中部水平截面样本进行分类学习,并以梯度加权类激活映射(gradCAM)方法对分类高权重区域自动标注;统计CT截面大图(全颅)、中图(双侧颞骨)、小图(右侧颞骨)3种数据集的耳鸣分类高权重区域涉及的解剖结构,逐步细化感兴趣区域,提高分类高权重区域标注分辨率。实验结果显示:包含双侧颞骨的中图数据集分类精度最好,测试集精度达到100%。搏动性耳鸣分类高权重区域集中于双侧或单侧颞骨部位,主要包括颞骨蜂房、鼓窦、乙状窦骨板、上鼓室等部位。搏动性耳鸣与颞骨及附近骨质结构有密切关系;搏动性耳鸣患者在双侧颞骨或耳鸣对侧颞骨均有较大概率存在区别于无耳鸣人群的结构异常;颞骨蜂房、鼓窦、乙状窦骨板、鼓室等结构均有较高概率包含搏动性耳鸣的高致病区域。以上影像分析结论与搏动性耳鸣生物力学研究结论实现了相互佐证。
-
关键词
搏动性耳鸣
机器学习
可视化策略
CT影像
神经网络模型
辅助诊断
-
Keywords
pulsatile tinnitus
machine learning
class activation mapping
CT image
neural network model
diagnosis assistance
-
分类号
R737.11
[医药卫生—肿瘤]
R814.42
[医药卫生—影像医学与核医学]
-
