换一批基于跨尺度多模态融合的脑卒中神经功能缺损程度评估
Evaluation of the Degree of Neurological Deficit in Stroke Based on Cross-Scale Multi-modal Fusion
摘要脑卒中后神经功能缺损程度的精确评估对个性化康复治疗至关重要.针对当前临床中采用传统量表进行人工评分费时费力等问题,文章提出一种新型图像驱动的跨尺度多模态融合网络(CSMFNet)评估方法.该方法通过卷积神经网络提取T1W、T2W和T2Flair三种MRI影像的跨尺度深度特征,结合互信息最大化准则筛选关键特征以抑制冗余信息,并基于稀疏贝叶斯优化的极限学习机进行分类,实现神经功能缺损程度的精确评估.实验结果表明,CSMFNet的AUC达0.784,较单模态最高提升7.5％,且在召回率(0.623)、特异度(0.854)及临床决策净收益上优于传统融合方法,验证了多模态互补信息对病灶综合评估的有效性.该方法为脑卒中精准诊疗提供了高效的技术支持,具有临床推广潜力.
更多相关知识
关键词
脑卒中神经功能缺损多模态融合互信息最大化稀疏贝叶斯学习strokeneurological deficitsmulti-modal fusionmutual information maximizationsparse Bayesian learning
栏目名称
DOI
10.3969/j.issn.1009-1033.2025.05.012
发布时间
2025-12-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
广西大学生创新创业训练计划项目（s202411825132）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
