一种基于CNN和RNN的颅内出血CT图像分类方法

一种基于CNN和RNN的颅内出血CT图像分类方法，属于智能医学影像处理领域。为了解决颅内出血亚型准确率低和耗时长的问题，该方法包括获取RSNAIntracranial Hemorrhage Detection数据集；进行多项预处理操作，包括：调整窗位和窗宽、通道数叠加、分离元数据信息、图像标准化和去除边缘冗余信息等；在CNN部分使用ConvNext模型从细粒度角度解决亚型分类问题，同时结合元数据信息和双向GRU模型充分利用切片间信息提高准确率，并引入主成分分析方法降低数据维度和计算复杂度；最终在测试集上的评估指标显示，相较于Densenet169提升了0.2％的准确率，浮点运算量小了13.09G。这表明该方法解决了现有模型无法充分利用上下文信息的问题，并且在降低计算复杂性的同时，提高了颅内出血亚型分类的准确率。