自動化された解剖学的特徴に基づくヒューリスティック後処理による深層学習頭蓋内動脈瘤検出モデルの偽陽性削減と解釈可能性の向上

科学分野:

• 放射線医学
• 人工知能
• 医用画像処理

背景:

• 深層学習（DL）モデルは、CT血管造影（CTA）における頭蓋内動脈瘤の検出に有望です。
• 高い偽陽性（FP）率が、これらのDLモデルの臨床応用を妨げています。
• DLベースの動脈瘤検出の精度と信頼性を向上させるためには、自動化された手法が必要です。

研究 の 目的:

• CTAにおける頭蓋内動脈瘤検出のFPを削減するための、完全に自動化されたハイブリッドヒューリスティック-DLパイプラインを開発・評価すること。
• 自動化されたスキャン内解剖学的セグメンテーションおよび背景/静脈ボクセル除去をDLパイプラインに統合すること。
• DLモデルと組み合わせて異なるヒューリスティック後処理モジュールの性能を評価すること。

主な方法:

• 2つのDLモデル、CPM-Netと3D-CNN-TRハイブリッドモデルを1,186件のCTAでトレーニングしました。
• パイプラインは、脳マスクやDLベースの動脈/静脈分離を含むヒューリスティック後処理モジュールとDLモデルを統合しました。
• FPは、脳マスクおよび/または静脈セグメンテーションマスクとの重複に基づいて排除されました。

主要な成果:

• 最良の性能を示した手法（手法5）は、プライベートデータセットで最大70.6%、公開データセットで57.9%の偽陽性（FP）を削減し、真陽性（TP）を有意に減少しませんでした。
• 偽陽性削減により、プライベートデータセットにおけるCPM-Netの偽陽性率（FPR）は0.88から0.26に、3D-CNN-TRでは1.27から0.62に低下しました。
• RSNAデータセットでは、手法1がTPを維持しながらFPを効果的に除去し、解剖学的特徴に基づく後処理の有用性を示しました。

結論:

• 背景および静脈除去のための解釈可能な解剖学的特徴に基づくモジュールをDLパイプラインに統合することにより、動脈瘤検出性能が向上します。
• ハイブリッドヒューリスティック-DLパイプラインはモデル性能を向上させ、放射線科における臨床的受容を高める可能性があります。
• AIの医療画像への臨床応用を成功させるためには、自動化された後処理技術が不可欠です。