目标检测方法在图像重建评估和 meniscal 异常临床解释中的应用
图像与视频处理
2024-07-18 v1 计算机视觉与模式识别
摘要
本研究探讨了深度学习 (DL) 图像重建质量与异常检测性能之间的关系，并评估了人工智能 (AI) 助手在增强解读 reconstructed 图像上 meniscal 异常方面的效果。采用本机构构建的重建和异常检测管道开展了回顾性研究，使用该管道评估来自 896 名患者的膝部 MRI 图像。对原图及 14 组 DL 重建图像采用标准重建和目标检测指标进行评估，同时开发了基于盒子的重建指标。两位临床放射科医生审阅了 50 名患者图像的子集，既包括原图也包括 AI 辅助重建图像，并评估了其准确性和性能特征。结果表明，结构相似性指数 (SSIM) 与异常检测指标之间的关联较弱 (mAP, r=0.64, p=0.01; F1 分数, r=0.38, p=0.18)，而基于盒子的 SSIM 与检测性能关联更强 (mAP, r=0.81, p<0.01; F1 分数, r=0.65, p=0.01)。SSIM 的细微波动并未影响检测结果，但显著变化会降低性能。AI 辅助评估显示，准确率提高 (无辅助 86.0% vs. 有辅助 88.3%, p<0.05) 和读者间一致性提高 (Cohen's kappa, 0.39 vs. 0.57)。此外，进行了额外审阅，使数据集中新增 17 例病灶。该提出的异常检测方法在评估重建算法以进行自动化任务方面具有潜力，并有助于放射科医生解读 DL 重建的 MRI 图像。
关键词
引用
@article{arxiv.2407.12184,
title = {The object detection method aids in image reconstruction evaluation and clinical interpretation of meniscal abnormalities},
author = {Natalia Konovalova and Aniket Tolpadi and Felix Liu and Zehra Akkaya and Felix Gassert and Paula Giesler and Johanna Luitjens and Misung Han and Emma Bahroos and Sharmila Majumdar and Valentina Pedoia},
journal= {arXiv preprint arXiv:2407.12184},
year = {2024}
}