利用血管树分割形变结合深度学习检测大血管闭塞
图像与视频处理
2022-05-06 v3 计算机视觉与模式识别
机器学习
摘要
计算机断层扫描血管造影是一种关键模态，可提供对脑血管树的深入洞察，这对于缺血性脑卒中的诊断和治疗至关重要，尤其是在大血管闭塞（LVO）病例中。因此，临床工作流极大受益于对罹患LVO患者的自动检测。本工作使用卷积神经网络进行病例级分类，训练时通过对血管树分割掩码进行弹性形变来人工扩增训练数据。仅将掩码作为模型输入，使我们能够比使用常规图像体数据更激进地施加此类形变，同时保持样本真实性。该神经网络分类LVO的存在及受累半球。在5折交叉验证的消融研究中，我们证明所提出的扩增方法使我们即使从少量数据集也能训练出鲁棒模型。在100个数据集上训练EfficientNetB1架构时，所提出的扩增方案将ROC AUC从不使用扩增的基线值0.56提升至0.85。最佳性能由3D-DenseNet取得，AUC达0.87。扩增对受累半球分类也有积极作用，3D-DenseNet在两侧均达到0.93的AUC。
引用
@article{arxiv.2112.01797,
title = {Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations},
author = {Florian Thamm and Oliver Taubmann and Markus Jürgens and Hendrik Ditt and Andreas Maier},
journal= {arXiv preprint arXiv:2112.01797},
year = {2022}
}
备注
7 pages. Accepted at BVM-Workshop 2022, Springer