基于深度学习在计算机断层扫描中检测静脉造影剂的系统
图像与视频处理
2021-10-22 v2 计算机视觉与模式识别
机器学习
摘要
目的：识别 CT 扫描中的静脉（IV）造影剂使用是模型开发与测试数据整理的关键组成部分。目前，IV 造影剂在影像元数据中记录很差，需要临床专家手动纠正和标注，这给影像分析和算法部署带来了主要障碍。我们试图开发并验证一个基于卷积神经网络（CNN）的深度学习（DL）平台，以识别 CT 扫描中的 IV 造影剂。方法：对于模型开发和评估，我们使用了头颈（HN）和肺癌患者 CT 扫描的独立数据集，总计来自 1,979 次 CT 扫描的 133,480 个轴向 2D 扫描切片，由临床专家手动标注了造影剂存在情况。采用了五种不同的 DL 模型，并在 HN 训练数据集中训练用于切片级造影剂检测。模型性能在保留集和来自另一机构的独立验证集上进行了评估。然后将 DL 模型在胸部 CT 数据上微调，并在独立的胸部 CT 数据集上进行外部验证。结果：初始 DICOM 元数据标签中 IV 造影剂缺失或错误的情况出现在 1,496 次扫描中（75.6%）。基于 EfficientNetB4 的模型显示出最佳的总体检测性能。对于 HN 扫描，内部验证集（n = 216）中 AUC 为 0.996，外部验证集（n = 595）中 AUC 为 1.0。在胸部 CT 上微调的模型在内部验证集（n = 53）中 AUC 为 1.0，在外部验证集（n = 402）中 AUC 为 0.980。结论：该 DL 模型能够以近乎完美的性能准确检测 HN 和胸部 CT 扫描中的 IV 造影剂。
引用
@article{arxiv.2110.08424,
title = {Deep learning-based detection of intravenous contrast in computed tomography scans},
author = {Zezhong Ye and Jack M. Qian and Ahmed Hosny and Roman Zeleznik and Deborah Plana and Jirapat Likitlersuang and Zhongyi Zhang and Raymond H. Mak and Hugo J. W. L. Aerts and Benjamin H. Kann},
journal= {arXiv preprint arXiv:2110.08424},
year = {2021}
}