基于先验知识深度学习的多中心脑 MRI 腔隙灶检测与量化
图像与视频处理
2023-06-21 v1 计算机视觉与模式识别
摘要
推测为血管起源的腔隙灶（亦称腔隙性梗死）对于评估脑小血管病及痴呆等认知疾病十分重要。然而，由于体积小、稀疏性及伪影模仿，基于影像数据的腔隙灶视觉评定量具挑战性、耗时且依赖评分者。尽管近期自动算法的发展使腔隙灶检测更快且保持灵敏度，但其也表现出大量假阳性，致使它们难以用于临床实践或大规模研究。在此，我们开发了一种新颖框架，除腔隙灶检测外，还输出分类负荷评分。该评分可提供更实用的腔隙存在估计，简化并有效加速腔隙灶的影像评估。我们假设检测与分类评分的结合使流程对噪声标签的敏感性降低。
引用
@article{arxiv.2306.10622,
title = {Prior-knowledge-informed deep learning for lacune detection and quantification using multi-site brain MRI},
author = {Bo Li and Jeroen de Bresser and Wiro Niessen and Matthias van Osch and Wiesje M. van der Flier and Geert Jan Biessels and Meike W. Vernooij and Esther Bron},
journal= {arXiv preprint arXiv:2306.10622},
year = {2023}
}
备注
Abstract presented at the 2022 annual meeting of the Organization for Human Brain Mapping (OHBM).Second place at the VALDO MICCAI challenge for cerebral lacune detection