基于深度学习的颅脑损伤机制自动化鉴别

作者：杨琦帆; 孙雪阳; 王彦斌; 田志岭; 董贺文; 万雷; 邹冬华; 于笑天; 张广政^*; 刘宁国^*

来源：法医学杂志, 2022, 38(02): 223-230.

• 法医学
• 加速性脑损伤
• 减速性脑损伤
• 图像分类
• 深度学习
• 卷积神经网络
• 受试者操作特征曲线
• Inception＿v3模型

目的 应用卷积神经网络Inception＿v3模型进行基于颅脑CT图像的加、减速性损伤自动鉴别，探讨深度学习技术在法医学颅脑损伤成伤机制推断中的应用前景。方法 收集190例加、减速性脑损伤的影像学资料作为实验组，另选取130例正常颅脑的影像学资料作为对照。将上述320例影像学资料根据随机抽样的方法分为训练验证集和测试集。采用准确率、精确率、召回率、F1值及AUC值评估模型分类性能。结果 模型在训练过程和验证过程中对3种图像（加速性损伤、减速性损伤及正常颅脑）分类的最高准确率分别为99.00%、87.21%，满足要求。使用优化后的模型对测试集数据进行测试，该模型在测试集中的三分类准确率为87.18%，识别加速性损伤的精确率、召回率、F1值及AUC值分别为84.38%、90.00%、87.10%、0.98，识别减速性损伤的各值分别为86.67%、72.22%、78.79%、0.92，识别正常颅脑的各值分别为88.57%、89.86%、89.21%、0.93。结论 Inception＿v3模型在基于颅脑CT图像区分加、减速性损伤中具有应用潜力，有望成为推断头部致伤方式的一种辅助工具。

• 单位
  郑州大学; 基础医学院; 司法鉴定科学研究院