细微致痫病灶的鲁棒可泛化分割：一种图卷积方法
图像与视频处理
2023-06-06 v2 计算机视觉与模式识别
机器学习
摘要
局灶性皮质发育不良(FCD)是耐药性局灶性癫痫的主要病因，可通过手术治愈。这些病灶极为细微，常 even 被神经放射学专家遗漏。因此“金标准”手动病灶掩膜昂贵、有限且存在较大评分者间差异。现有 FCD 检测方法受限于大量假阳性预测，主要由于基于顶点或块的方法缺乏全脑上下文。在此，我们提出将问题作为语义分割处理，使用图卷积网络(GCN)，使模型能够学习脑区之间的空间关系。为解决 FCD 识别的特定挑战，我们所提模型包含用于预测距病灶距离的辅助损失以减少假阳性，以及弱监督分类损失以促进从不确定病灶掩膜中学习。在包含 1015 名参与者的多中心数据集上，使用基于表面的特征与来自结构 MRI 数据的手动病灶掩膜，所提 GCN 达到 0.74 的 AUC，相较先前使用的逐顶点多层感知机(MLP)分类器(AUC 0.64)显著提升。在灵敏度阈值为 67% 时，GCN 特异度为 71%，而 MLP 为 49%。该特异度提升对于将病灶检测工具临床整合进放射学工作流至关重要，通过增强对 AI 放射学辅助手段使用的临床信心并减少需专家复核的区域数量。
引用
@article{arxiv.2306.01375,
title = {Robust and Generalisable Segmentation of Subtle Epilepsy-causing Lesions: a Graph Convolutional Approach},
author = {Hannah Spitzer and Mathilde Ripart and Abdulah Fawaz and Logan Z. J. Williams and MELD project and Emma Robinson and Juan Eugenio Iglesias and Sophie Adler and Konrad Wagstyl},
journal= {arXiv preprint arXiv:2306.01375},
year = {2023}
}
备注
accepted at MICCAI 2023