一种基于解剖学信息的三维CNN用于弱标签脑动脉瘤分类

在医学影像中执行检测任务的一种常用方法是依赖初始分割。然而，这种方法严重依赖于体素级标注，而这类标注对医学专家而言重复性强且耗时。体素级掩码的一个有趣替代方案是所谓的“弱”标签：这些标签可以是较粗糙或过大的标注，精度较低，但创建速度明显更快。在这项工作中，我们将脑动脉瘤检测任务作为具有弱标签的块级二分类来处理，这与使用有监督分割方法和体素级勾画的相关研究不同。我们的方法带来了数据集构建这一非平凡挑战：与大多数局灶性疾病一样，显示动脉瘤的异常块数量远少于无异常的块，且两类通常具有不同的空间分布。为应对这种固有的不平衡、空间偏斜数据集的常见情形，我们提出了一种新颖的、由解剖学驱动的方法，即使用多尺度多输入的三维卷积神经网络（CNN）。我们将模型应用于214名受试者（83名患者，131名对照），他们接受了时间飞跃磁共振血管成像（TOF-MRA）检查，共呈现111个未破裂脑动脉瘤。我们比较了两种负块采样策略，其对网络具有递增的难度，并展示了这一选择如何强烈影响结果。为评估所添加的空间信息是否有助于提高性能，我们将我们的解剖学信息CNN与一个基线性的、空间不可知的CNN进行比较。在考虑包含类血管负块的更真实且更具挑战性的场景时，前者模型获得了最高的分类结果（准确率$\simeq$95%，AUROC$\simeq$0.95，AUPR$\simeq$0.71），从而优于基线。