Automatizada, basada en anatomía, posprocesamiento heurístico reduce falsos positivos y mejora la interpretabilidad...

Área de la Ciencia:

• Radiología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) son prometedores para detectar aneurismas intracraneales en angiografías por tomografía computarizada (CTA).
• Las altas tasas de falsos positivos (FP) dificultan la traslación clínica de estos modelos de DL.
• Se necesitan métodos automatizados para mejorar la precisión y la fiabilidad de la detección de aneurismas basada en DL.

Objetivo del estudio:

• Desarrollar y evaluar un pipeline heurístico-DL híbrido totalmente automatizado para reducir los FP en la detección de aneurismas intracraneales en CTA.
• Integrar la segmentación anatómica automatizada y la eliminación de vóxeles de fondo/venosos en los pipelines de DL.
• Evaluar el rendimiento de diferentes módulos de posprocesamiento heurístico en conjunto con modelos de DL.

Principales métodos:

• Se entrenaron dos modelos de DL, CPM-Net y un híbrido 3D-CNN-TR, con 1.186 CTA.
• Se integró un pipeline que combina modelos de DL con módulos de posprocesamiento heurístico, incluyendo máscaras cerebrales y separación de arterias y venas basada en DL.
• Se eliminaron los FP basándose en la superposición con máscaras cerebrales y/o máscaras de segmentación de venas.

Principales resultados:

• El método con mejor rendimiento (Método 5) redujo los FP hasta en un 70,6% en un conjunto de datos privado y un 57,9% en un conjunto de datos público, sin reducir significativamente los verdaderos positivos (TP).
• La reducción de falsos positivos disminuyó la tasa de falsos positivos (FPR) de 0,88 a 0,26 para CPM-Net y de 1,27 a 0,62 para 3D-CNN-TR en el conjunto de datos privado.
• En el conjunto de datos RSNA, el Método 1 eliminó eficazmente los FP preservando los TP, lo que demuestra la utilidad del posprocesamiento basado en la anatomía.

Conclusiones:

• La integración de módulos interpretables basados en la anatomía para la eliminación de fondo y venas en los pipelines de DL mejora el rendimiento de la detección de aneurismas.
• Los pipelines híbridos heurístico-DL mejoran el rendimiento del modelo y pueden aumentar la aceptación clínica en radiología.
• Las técnicas de posprocesamiento automatizado son cruciales para la traslación clínica exitosa de la IA en imágenes médicas.