面向 TOF-MRA 脑动脉瘤自动检测：开放数据、弱标签与解剖学知识
图像与视频处理
2022-08-24 v6 计算机视觉与模式识别
摘要
随着深度学习（DL）的出现，时间飞跃法磁共振血管成像（TOF-MRA）中的脑动脉瘤检测取得了显著改进。然而，有监督 DL 模型的性能严重依赖于标注样本的数量，而获取这些样本极为昂贵。在此，我们提出一种克服“弱”标签问题的动脉瘤检测 DL 模型：弱标签为超大标注，其创建速度快得多。我们的弱标签生成速度比逐体素标注快四倍。此外，我们的模型通过仅关注动脉瘤可能发生的合理位置来利用先验解剖学知识。我们首先在一个包含 284 名受试者（170 名女性 / 127 名健康对照 / 157 名患者共 198 个动脉瘤）的院内 TOF-MRA 数据集上通过交叉验证训练和评估模型。在该数据集上，我们的最佳模型达到了 83% 的灵敏度，每位患者假阳性（FP）率为 0.8。为评估模型泛化性，我们随后参加了一项基于 TOF-MRA 数据的动脉瘤检测挑战赛（93 名患者、20 名对照、125 个动脉瘤）。在公开挑战赛上灵敏度为 68%（FP 率=2.5），在公开排行榜上排名第 4/18。我们发现动脉瘤破裂风险分组（p=0.75）、位置（p=0.72）或大小（p=0.15）之间的灵敏度无显著差异。数据、代码和模型权重均以宽松许可发布。我们证明了弱标签与解剖学知识能够缓解对极其昂贵的逐体素标注的需求。
引用
@article{arxiv.2103.06168,
title = {Towards automated brain aneurysm detection in TOF-MRA: open data, weak labels, and anatomical knowledge},
author = {Tommaso Di Noto and Guillaume Marie and Sebastien Tourbier and Yasser Alemán-Gómez and Oscar Esteban and Guillaume Saliou and Meritxell Bach Cuadra and Patric Hagmann and Jonas Richiardi},
journal= {arXiv preprint arXiv:2103.06168},
year = {2022}
}
备注
Paper accepted as Original Article in the journal Neuroinformatics (https://link.springer.com/article/10.1007/s12021-022-09597-0)