基于非增强计算机断层扫描与两阶段深度学习模型的急性缺血性卒中自动检测
图像与视频处理
2020-09-09 v2 计算机视觉与模式识别
机器学习
摘要
背景与目的：我们旨在开发并评估一种涉及两阶段深度学习模型的急性缺血性卒中相关（AIS）自动检测系统。方法：我们纳入来自两家不同机构的 238 例病例。通过参考在 CT 扫描后 24 小时内进行的头部磁共振成像（MRI）图像，对这 238 组头部 CT 图像中的每一组标注 AIS 相关征象。这 238 例标注病例被划分为包含 189 例的训练集和包含 49 例的测试集。随后，使用 You Only Look Once v3 模型和 Visual Geometry Group 16 分类模型从训练集构建两阶段深度学习检测模型。然后，该两阶段模型在测试集中执行 AIS 检测流程。为评估检测模型的结果，一名获委员会认证的放射科医师也在有和无检测模型辅助的情况下对测试集头部 CT 图像进行了评估。计算 AIS 检测的灵敏度和假阳性数用于评估测试集检测结果。采用 McNemar 检验比较该放射科医师在有和无软件检测结果情况下的灵敏度。p 值小于 0.05 被认为具有统计学显著性。结果：对于两阶段模型、无软件辅助的放射科医师以及有软件辅助的放射科医师，灵敏度分别为 37.3%、33.3% 和 41.3%，每例假阳性数分别为 1.265、0.327 和 0.388。使用两阶段检测模型结果后，该获委员会认证的放射科医师的检测灵敏度显著提升（p 值 = 0.0313）。结论：我们涉及两阶段深度学习模型的检测系统显著提高了放射科医师的 AIS 检测灵敏度。
引用
@article{arxiv.2004.04432,
title = {Automatic detection of acute ischemic stroke using non-contrast computed tomography and two-stage deep learning model},
author = {Mizuho Nishio and Sho Koyasu and Shunjiro Noguchi and Takao Kiguchi and Kanako Nakatsu and Thai Akasaka and Hiroki Yamada and Kyo Itoh},
journal= {arXiv preprint arXiv:2004.04432},
year = {2020}
}