基于弱监督注意力模型从容积 CTPA 扫描中分类右心室应变
图像与视频处理
2022-04-26 v1 计算机视觉与模式识别
机器学习
摘要
肺栓塞（PE）是指血块阻塞肺动脉。仅在美国，PE 每年约导致 100,000 例死亡。PE 的临床表现常为非特异性，使诊断具有挑战性。因此，快速而准确的风险分层至关重要。高危 PE 由急性压力超负荷引起的右心室（RV）功能障碍所致，而这反过来有助于识别哪些患者需要更积极的治疗。心脏重建四腔心切面可检测右心室扩大。CT 肺动脉造影（CTPA）是疑似 PE 诊断评估中的金标准。因此，它可联系诊断与风险分层策略。我们开发了一种弱监督深度学习算法，重点在于一种新颖的注意力机制，以自动分类 CTPA 上的 RV 应变。我们的方法是一个集成了 3D 残差注意力块的 3D DenseNet 模型。我们在一个急诊科（ED）PE 患者的 CTPA 数据集上评估了模型。该模型在分类 RV 应变上取得了 0.88 的受试者工作特征曲线下面积（AUC）。模型显示出 87% 的灵敏度和 83.7% 的特异度。我们的方案优于最先进的 3D CNN 网络。所提出的设计允许一个完全自动化的网络，可以端到端方式轻松训练，无需计算密集且耗时的预处理或繁重的数据标注。我们推断未标注的 CTPA 可用于有效的 RV 应变分类。这可用作第二阅片者，警示高危 PE 患者。据我们所知，此前尚无基于深度学习的试图解决此问题的研究。
引用
@article{arxiv.2107.12009,
title = {Weakly Supervised Attention Model for RV StrainClassification from volumetric CTPA Scans},
author = {Noa Cahan and Edith M. Marom and Shelly Soffer and Yiftach Barash and Eli Konen and Eyal Klang and Hayit Greenspan},
journal= {arXiv preprint arXiv:2107.12009},
year = {2022}
}
备注
12 pages, 6 figures, 5 tables