Vision Transformer for Intracranial Hemorrhage Classification in CT Scans Using an Entropy-Aware Fuzzy Integral Strategy for Adaptive Scan-Level Decision Fusion
作者: Mehdi Hosseini Chagahi, Niloufar Delfan, Behzad Moshiri, Md. Jalil Piran, Jaber Hatam Parikhan
发布时间: 2025-03-12
来源: arxiv
研究方向: 医学图像分析、脑出血分类、深度学习
主要内容
本文提出了一种基于金字塔视觉Transformer (PVT) 的模型，用于CT扫描中的脑出血分类。该模型结合了SHAP特征选择、模糊积分和熵感知决策融合策略，以提高分类准确性和可靠性。
主要贡献
1. 构建了一个包含多种脑出血亚型的脑CT扫描数据集，并进行了专家标注。
2. 引入了基于SHAP的特征选择方法，以识别最具判别性的特征。
3. 提出了一种熵感知模糊积分策略，用于跨多个CT切片的信息融合。
4. 实验结果表明，所提出的PVT模型在分类精度、精确度和鲁棒性方面显著优于现有的深度学习架构。
研究方法
1. 数据集收集和标注：从两个医疗中心收集脑CT扫描图像，并由专家进行标注。
2. 图像预处理：使用背景去除和二值掩码技术对CT扫描图像进行预处理。
3. 特征提取：使用PVT模型提取脑CT扫描图像的特征。
4. SHAP特征选择：使用SHAP分析识别最具判别性的特征。
5. 模糊积分决策融合：使用熵感知模糊积分策略融合多个CT切片的信息。
6. 分类器：使用提升神经网络进行脑出血亚型分类。
实验结果
实验结果表明，所提出的PVT模型在分类精度、精确度和鲁棒性方面显著优于现有的深度学习架构。此外，该方法还具有较低的计算复杂度，适用于临床应用。
未来工作
未来研究将集中在以下方面：多模态数据集成、自监督学习、不确定性感知决策融合、实时部署和优化、可解释性和临床验证。