使用卷积神经网络对头部 MRI 检查进行自动分诊
图像与视频处理
2022-06-29 v2 计算机视觉与模式识别
摘要
头部磁共振成像（MRI）检查需求的增长，加上全球放射科医师短缺，导致世界各地头部 MRI 扫描报告时间延长。对于许多神经系统疾病，这种延误会导致发病率和死亡率上升。自动分诊工具可通过在成像时识别异常并优先报告这些扫描，从而缩短异常检查的报告时间。在本工作中，我们提出一种卷积神经网络，用于检测 加权头部 MRI 扫描中的临床相关异常。利用经过验证的神经放射学报告分类器，我们从两家大型英国医院生成了 43,754 次扫描的标记数据集用于模型训练，并在由神经放射科医师团队标记的 800 次扫描的测试集上展示了准确的分类（受试者工作特征曲线下面积（AUC）= 0.943）。重要的是，当仅使用单一医院的扫描训练时，模型可泛化至另一医院的扫描（AUC 0.02）。一项模拟研究表明，我们的模型可将两家医院异常检查的平均报告时间分别从 28 天降至 14 天、从 9 天降至 5 天，证明了其在临床分诊环境中应用的可行性。
引用
@article{arxiv.2106.08176,
title = {Automated triaging of head MRI examinations using convolutional neural networks},
author = {David A. Wood and Sina Kafiabadi and Ayisha Al Busaidi and Emily Guilhem and Antanas Montvila and Siddharth Agarwal and Jeremy Lynch and Matthew Townend and Gareth Barker and Sebastien Ourselin and James H. Cole and Thomas C. Booth},
journal= {arXiv preprint arXiv:2106.08176},
year = {2022}
}
备注
Accepted as an oral presentation at Medical Imaging with Deep Learning (MIDL) 2021