提升脑肿瘤共聚焦激光内显微镜的效用：基于卷积神经网络的客观价值评估与诊断帧检测
计算机视觉与模式识别
2018-01-09 v1
摘要
共聚焦激光内显微镜（CLE）虽能在脑肿瘤手术中实时获取细胞分辨率图像，但其产生的非诊断性图像与诊断性图像数量相当。无用的图像常因探头与脑之间的相对运动或血液伪影而失真。然而，许多图像仅缺乏医生可立即判读的诊断特征。检查单例病例产生的数百或数千张图像以区分诊断与非诊断图像可能十分繁琐。提供图像的实时诊断价值评估（足够快以用于手术采集过程，且足够准确以供病理医生依赖）来自动检测诊断帧，将简化图像分析并为病理医生/外科医生筛选有用图像。我们旨在自动将图像分类为诊断性或非诊断性。采用深度学习架构 AlexNet 以 4 折交叉验证方式进行。我们的数据集包含来自 74 名 CLE 辅助脑肿瘤手术患者的 16,795 张图像（8572 张非诊断、8223 张诊断）。所有图像的金标准由病理医生提供。测试数据上的平均模型准确率为总体 91%（准确率 90.79%、灵敏度 90.94%、特异度 90.87%）。为评估模型可靠性，我们还进行了受试者工作特征（ROC）分析，ROC 曲线下面积（AUC）平均达 0.958。这些结果表明，深度训练的 AlexNet 网络可获得可靠且快速识别诊断性 CLE 图像的模型。
引用
@article{arxiv.1801.02101,
title = {Improving utility of brain tumor confocal laser endomicroscopy: objective value assessment and diagnostic frame detection with convolutional neural networks},
author = {Mohammadhassan Izadyyazdanabadi and Evgenii Belykh and Nikolay Martirosyan and Jennifer Eschbacher and Peter Nakaji and Yezhou Yang and Mark C. Preul},
journal= {arXiv preprint arXiv:1801.02101},
year = {2018}
}
备注
SPIE Medical Imaging: Computer-Aided Diagnosis 2017