《Computational Biology and Chemistry》：Stroke Disease Classification from Computed Tomography Images using Inception Harmonic LeNet and Wavelet- Symmetrically Weighted Local Gradient Pattern Features
编辑推荐：
基于CT图像的中风分类模型InHLeNet通过预处理、分割、增强和特征提取实现高精度诊断，准确率达96.888%。
S. Tamilarasi | Diana Jeba Jingle | I Mano Paul.P | Daniya Thavasilingam
电子与通信工程系，马亨德拉理工学院，马亨德拉普里，马拉斯萨穆德拉姆，纳马卡卡尔 DT，泰米尔纳德邦 -637 503
摘要
中风是导致死亡的主要原因之一，因此及时准确的诊断对于有效治疗至关重要。计算机断层扫描（CT）在识别中风类型（尤其是缺血性和出血性中风）方面起着关键作用。现有的自动化方法缺乏可靠中风诊断所需的准确性和一致性。因此，本文提出了一种新的Inception Harmonic LeNet（InHLeNet）方法用于中风疾病分类。首先，收集CT扫描图像并进行预处理，该预处理采用引导过滤和改进的非下采样剪切波变换（NSST）阈值。然后使用Dimension融合U-Net（D-UNet）对过滤后的图像进行分割。接下来，通过局部增强和自我增强进行数据增强：局部增强在每张CT图像中引入局部变化，而自我增强生成基于特征的病变区域变换。此外，提取具有对称加权局部梯度模式（Wavelet-SWLGP）特征的小波变换。最后，使用InHLeNet对中风疾病进行分类，该方法结合了InceptionV3Net、LeNet和Harmonic分析。通过多种评估指标（包括准确性、真正例率（TPR）、真负例率（TNR）和Matthews相关性系数（MCC）来评估InHLeNet的性能。使用InHLeNet模型获得的结果为：准确性96.888%，真负例率96.381%，Matthews相关性系数96.777%，真正例率97.988%，这些结果凸显了其有效性。
引言
CT和磁共振成像（MRI）是常用的中风诊断技术。虽然MRI相比CT扫描具有更高的图像分辨率（Ke等人，2019年），但由于操作成本较高和扫描时间较长，其应用通常限于设备齐全的大型医疗机构。相比之下，CT更常作为中风评估的首选成像技术。它可以有效识别病变的类型、体积和严重程度，为早期临床决策提供关键信息（Vojcek等人，2022年；Tursynova等人，2023年）。CT在中风诊断中的广泛应用主要归因于其快速获取时间、成本效益高以及操作简便。此外，CT在检测出血性中风方面特别敏感，使其成为紧急情况下的重要工具（Masoumi等人，2012年；Kulathilake等人，2025a）。CT扫描生成的体积数据由体素组成，这些体素对应于扫描解剖结构中的特定三维空间位置，从而能够详细分析受影响的大脑区域（Raj等人，2023年）。此外，CT技术的进步提高了图像质量并减少了辐射暴露。根据世界卫生组织（WHO）的数据，全球每年约有1500万人中风；其中500万人因此死亡，另有500万人遭受永久性残疾（You等人，2022年）。尽管中风死亡率很高，但及时诊断显著改善了治疗效果。早期发现对于预防严重并发症和降低死亡风险至关重要（Tursynova等人，2023年）。
鉴于每种中风亚型都需要不同的治疗方法，因此准确分类中风类型至关重要。神经成像在中风诊断和神经血管疾病鉴别中起着关键作用，从而指导适当的临床管理（Tursynova等人，2023年）。中风幸存者通常会出现运动和认知障碍，这些障碍直接影响他们的生活质量；因此，康复对于从这些功能损伤中恢复非常重要（Bathla等人，2023年；Lee等人，2021年）。缺血性中风是最常见的类型，由栓塞、血栓形成和动脉粥样硬化等因素引起的脑血管阻塞所致（Phipps和Cronin，2020年）。相比之下，出血性中风是由于大脑内的血管破裂导致周围神经组织出血（Chen等人，2014年）。出血性中风的常见原因包括高血压、动脉瘤、创伤和动静脉畸形（Musmar等人，2022年）。早期准确诊断中风对于及时开始治疗至关重要，因为延误可能导致不可逆的脑损伤或患者状况恶化（Reboucas Filho等人，2017年）。然而，在紧急情况下及时诊断中风面临诸多挑战。这些挑战源于公众意识有限、医疗设施中临床专业水平参差不齐，以及图像获取、解释和报告所需的时间较长。这些限制可能导致诊断和治疗的延误（Qasrawi等人，2024年）。中风表现出相当大的异质性，表现为类型、大小、CT成像上的灰度外观和解剖位置的显著差异。这种多样性使得传统诊断模型难以有效泛化（Tursynova等人，2023年）。
此外，中风包括多种类型和亚型，如缺血性、出血性、急性缺血性、亚急性和慢性形式，这些类型之间往往存在细微差异，尤其是在亚型之间（Kulathilake等人，2025b）。机器学习（ML）和深度学习（DL）技术通过实现病变的自动化检测和分类，显著推动了CT成像的发展（Inamdar等人，2025a；KS等人，2024年10月）。在脑中风分析中采用了多种DL架构，每种架构根据其能力发挥不同作用（Amuthadevi等人，2025年）。前馈神经网络（FFNN）用于使用CT和MRI成像数据对不同类型的中风进行分类。通过结合患者的人口统计信息、病史和生活方式等因素，可以改进这些模型，从而更全面地评估中风风险。通过对大量患者数据进行训练，FFNN能够模拟多种风险因素之间的复杂关系。卷积神经网络（CNN）主要用于医学成像数据分析。在中风应用中，CNN支持中风病变的分割，帮助放射科医生进行诊断和治疗计划制定，以及定量分析中风特征（如病变体积和位置）。这些能力有助于评估疾病严重程度和进行预后评估。此外，CNN还用于中风类型的分类，例如根据成像特征区分缺血性和出血性中风（Kulathilake等人，2025b）。
本研究引入了InHLeNet来基于CT扫描对中风疾病进行分类。该研究的贡献包括：
- ?
专为中风疾病分类设计的InHLeNet： 本研究使用InHLeNet进行中风疾病分类。InHLeNet结合了InceptionV3Net、LeNet和Harmonic分析，以捕捉多尺度和基于频率的特征，这些特征在之前的中风分类研究中尚未被探索。
- ?
引导过滤与改进的NSST阈值结合使用，有助于提高CT图像质量，特别是减少噪声和增强中风检测的特征。
- ?
使用标准的D-UNet网络对中风区域进行分割，并提取wavelet-SWLGP特征。虽然这些方法是成熟的，但它们被整合到预处理和InHLeNet分类器中，形成一个端到端的流程，从而提高了中风分类的性能。
- ?
因此，这项工作的创新之处在于将预处理、分割、特征提取和InHLeNet分类器整合到一个专门为中风CT分类设计的统一框架中。这种集成方法比传统模型更具创新性。
研究的其余部分安排如下：第2节讨论了传统的中风疾病分类方法。第3节详细介绍了提出的InHLeNet。第4节阐述了实验结果及其验证。第5节总结了本研究。
部分摘录
动机
中风仍然是全球主要的死亡和长期残疾原因，准确及时的分类在确保有效临床管理中起着至关重要的作用。尽管CT成像是诊断急性中风的主要工具，但许多现有的自动化分类系统未能达到足够的准确性。这些限制可能导致治疗决策不佳和患者预后较差。为了克服这些挑战，引入了InHLeNet模型用于中风诊断。
提出的Inception Harmonic LeNet用于中风疾病分类
名为InHLeNet的混合模型用于基于CT扫描的中风疾病分类。整个过程从收集Brain-Stroke-Prediction-CT-Scan-Image-Dataset（"brain-stroke-prediction-ct-scan-image-dataset, 2025）和Core-Penumbra Acute Ischemic Stroke Dataset（CPAISD，2025）的CT图像开始。然后，使用引导过滤和NSST阈值对收集的CT图像进行预处理（Li等人，2023年）。去噪后的图像被送入分割步骤
结果与讨论
基于多种指标分析了InHLeNet在中风疾病分类中的表现，并详细说明了InHLeNet与现有技术的对比。
结论
中风仍然是导致死亡和长期残疾的主要原因，这突显了及时准确诊断以实现有效治疗的必要性。CT成像在区分缺血性、半影区和出血性中风类型方面至关重要。为了克服现有自动化诊断方法在准确性和一致性方面的局限性，引入了一种名为InHLeNet的新分类框架。该方法从获取CT图像开始
CRediT作者贡献声明
S. Tamilarasi：撰写——原始草稿、可视化、验证、软件、资源、项目管理、方法论、研究调查、资金获取、概念化。
正式分析、数据整理。
撰写——审阅与编辑。
监督。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
