通过有监督血管表面分类实现模态无关的颅内动脉瘤检测
图像与视频处理
2020-06-01 v1
摘要
颅内动脉瘤（IA）通常无症状，因此常在 3D DSA、CTA 和 MRA 等血管造影扫描中被偶然发现。熟练的放射科医师通过视觉检测达到 88% 的敏感度，考虑到一般人群中 IA 的患病率为 3-5%，这一敏感度似乎并不充分。在血管造影扫描上训练并执行的深度学习模型似乎最适合 IA 检测，然而，目前报道的不同模态下的性能尚不足以用于临床应用。本文提出了一种新颖的模态无关的 IA 检测方法。首先从血管造影图中粗略提取血管结构的三角化表面。为了检测 IA，将提取的表面随机分割成局部图块，然后训练一个基于深度神经网络（DNN）的平移、旋转和尺度不变分类器。测试阶段通过在多个随机位置模拟表面提取和分割，然后应用训练好的 DNN 模型进行分类，并将结果聚合为整个血管表面的 IA 检测热图。对于训练和验证，提取的轮廓被提供给熟练的神经外科医生，由其标记 IA 的位置。基于 57 份 DSA、5 份 CTA 和 5 份 MRA，使用三折交叉验证对 DNN 进行训练和测试，结果显示在每张图像 0.2 个假阳性检测的情况下达到了 98.6% 的敏感度。实验结果表明，所提方法不仅与基于强度的 state-of-the-art 方法相比显著提高了检测敏感度和特异度，而且与模态无关，因此更适合临床应用。
引用
@article{arxiv.2005.14467,
title = {Modality agnostic intracranial aneurysm detection through supervised vascular surface classification},
author = {Žiga Bizjak and Boštjan Likar and Franjo Pernuš and Žiga Špiclin},
journal= {arXiv preprint arXiv:2005.14467},
year = {2020}
}
备注
10 pages, 5 figures