面向微出血自动检测与解剖尺度定位：基于深度学习的完整临床诊断支持
图像与视频处理
2023-06-27 v1 人工智能
计算机视觉与模式识别
摘要
脑微出血（CMBs）是脑组织中微小血液产物的慢性沉积，其解剖位置与多种脑血管疾病（包括认知衰退、脑出血和脑梗死）有明确关联。然而，由于其稀疏且微小的结构特性，人工检测 CMBs 是一个耗时且易出错的过程。CMBs 的检测常受许多 CMB 仿制品的影响而导致高假阳性率（FPR），如钙化和软脑膜血管。本文提出了一种新颖的 3D 深度学习框架，不仅能检测 CMBs，还能告知其在脑中的解剖位置（即脑叶、深部及幕下区域）。对于 CMB 检测任务，我们通过以 U-Net 为骨干并结合区域提议网络（RPN）提出了单一的端到端模型。为在同一单一模型中显著降低假阳性，我们开发了一种新方案，包含利用上下文信息检测小候选者的特征融合模块（FFM），以及挖掘 CMB 仿制品并利用卷积原型学习（CPL）生成称为集中损失的额外损失项的难样本原型学习（HSPL）。解剖定位任务不仅告知 CMBs 所属区域，还利用解剖信息排除检测任务中的部分假阳性。结果表明，采用 FFM 和 HSPL 的所提 RPN 优于原始 RPN，灵敏度达 94.66% 对 93.33%，每受试者平均假阳性数（FPavg）为 0.86 对 14.73。此外，解剖定位任务在保持 94.66% 灵敏度的同时将 FPavg 进一步降至 0.56，从而提升了检测性能。
引用
@article{arxiv.2306.13020,
title = {Toward Automated Detection of Microbleeds with Anatomical Scale Localization: A Complete Clinical Diagnosis Support Using Deep Learning},
author = {Jun-Ho Kim and Young Noh and Haejoon Lee and Seul Lee and Woo-Ram Kim and Koung Mi Kang and Eung Yeop Kim and Mohammed A. Al-masni and Dong-Hyun Kim},
journal= {arXiv preprint arXiv:2306.13020},
year = {2023}
}
备注
16 pages, 10 figures,3 tables