DeepAAA：基于深度学习且临床适用、可泛化的腹主动脉瘤检测
图像与视频处理
2019-07-08 v1 计算机视觉与模式识别
摘要
我们提出一种基于深度学习的技术用于腹主动脉瘤（AAAs）的检测与量化。该疾病在美国每年导致逾10,000例死亡，无症状，常偶然检出且常被放射科医生漏诊。我们的模型架构为改进的3D U-Net结合椭圆拟合，可执行主动脉分割与AAA检测。本研究使用马萨诸塞州总医院放射科实施的321例腹盆部CT检查进行训练与验证。随后在一组57例、患者人口统计学与采集特征均不同于原数据集的独立样本上进一步测试其泛化性。DeepAAA在两组数据上均取得高性能（灵敏度/特异度分别为0.91/0.95与0.85/1.0），适用于增强与非增强CT扫描，并可处理图像数量不一的影像体数据。我们发现DeepAAA在偶然性AAA检测上超越文献报道的放射科医生表现。预期该模型可作为常规CT检查中的有效背景检测器，防止偶然性AAA被漏诊。
引用
@article{arxiv.1907.02567,
title = {DeepAAA: clinically applicable and generalizable detection of abdominal aortic aneurysm using deep learning},
author = {Jen-Tang Lu and Rupert Brooks and Stefan Hahn and Jin Chen and Varun Buch and Gopal Kotecha and Katherine P. Andriole and Brian Ghoshhajra and Joel Pinto and Paul Vozila and Mark Michalski and Neil A. Tenenholtz},
journal= {arXiv preprint arXiv:1907.02567},
year = {2019}
}
备注
Accepted for publication at MICCAI 2019