基于带分割置信度的卷积神经网络自动检测多发性硬化病灶负荷变化
计算机视觉与模式识别
2019-04-08 v1
摘要
在多发性硬化中检测新发或扩大的白质病灶，是监测接受疾病修饰治疗患者的关键任务。然而，“新发或扩大”的定义并不固定，且已知病灶计数具有高度主观性，评分者间与评分者内的变异性很大。病灶量化的自动化方法有望使新发与扩大病灶的检测具有一致性和可重复性。然而，尽管区分进展性与稳定性患者是紧迫的临床应用场景，大多数病灶分割算法并未针对其区分这两类患者的能力进行评估。本文表明，仅依靠病灶负荷的体积测量变化并非进行此区分的良好方法，即便对于性能优异的分割方法也是如此。相反，我们提出了一种识别高确定性病灶变化的方法，并在纵向多发性硬化病例数据集上证实，该方法能够以极高判别力区分进展性与稳定性时间点（AUC = 0.99），而病灶体积变化区分能力则弱得多（AUC = 0.71）。在第二外部数据集上的方法验证确认，该方法能够泛化至训练环境之外，在区分稳定性与进展性时间点上达到 83% 的准确率。此前已表明病灶体积与计数均是跨人群疾病进程的有力预测因子。然而，我们证明对于个体患者，这些指标的变化不足以作为确立无疾病活动证据的手段。与此同时，以高置信度直接检测从非病灶变为病灶的组织，是识别放射学活动患者的可行方法。
引用
@article{arxiv.1904.03041,
title = {Automatic detection of lesion load change in Multiple Sclerosis using convolutional neural networks with segmentation confidence},
author = {Richard McKinley and Lorenz Grunder and Rik Wepfer and Fabian Aschwanden and Tim Fischer and Christoph Friedli and Raphaela Muri and Christian Rummel and Rajeev Verma and Christian Weisstanner and Mauricio Reyes and Anke Salmen and Andrew Chan and Roland Wiest and Franca Wagner},
journal= {arXiv preprint arXiv:1904.03041},
year = {2019}
}