基于 VGG16 架构的 CNN 模型助力婴儿脑积水检测：高精准创新突破

《Journal of Imaging Informatics in Medicine》：Automated Detection of Hydrocephalus in Pediatric Head Computed Tomography Using VGG 16 CNN Deep Learning Architecture and Based Automated Segmentation Workflow for Ventricular Volume Estimation

为解决婴儿脑积水深度学习研究不足问题，研究人员提出基于 VGG16 的 CNN 模型，准确率达 90.4%±1.2% ，意义重大。

　　脑积水，尤其是婴儿先天性脑积水，在深度学习研究领域仍有待深入探索。尽管深度学习已广泛应用于医学图像分析，但专门针对脑积水自动分类的研究却寥寥无几。本研究提出了一种基于 VGG16 架构的卷积神经网络（CNN）模型，用于检测婴儿头部 CT 图像中的脑积水。该模型集成了一种自动提取脑室体积的方法，运用窗宽调节（windowing）、直方图均衡化（histogram equalization）和阈值分割（thresholding）技术，将脑室从周围脑组织中分割出来。通过形态学操作优化分割结果，并提取轮廓用于可视化和体积测量。数据集包含 105 例头部 CT 扫描，每个扫描有 60 个覆盖脑室体积的切片，共计 6300 个切片。由三名经过培训的放射科医生进行手动分割作为参考标准。自动方法与手动测量显示出高度相关性，R²值范围为 0.94 至 0.99。平均绝对百分比误差（MAPE）在 3.99% 至 11.13% 之间，均方根误差（RRMSE）在 4.56 至 13.74 之间。为提高模型的稳健性，对数据集进行了预处理、归一化处理，并通过旋转、平移、缩放和翻转进行数据增强。基于 VGG16 的 CNN 使用预训练的卷积层，并添加全连接层进行分类，预测脑积水或正常标签。采用多分割策略（15 个独立分割）进行性能评估，平均准确率达到 90.4%±1.2% 。本研究提出了一种自动提取脑室体积和检测脑积水的方法，为临床和研究应用提供了一种有前景的工具，具有高准确性且能减少观察者偏差。