自动化,基于解剖学的启发式后处理减少了假阳性,并提高了深度学习内动脉瘤检测模型的解释性

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 深度学习 (DL) 模型在CT血管学 (CTA) 上检测内动脉瘤方面表现有前途.
• 高虚假阳性率阻碍了这些DL模型的临床转化.
• 需要自动化方法来提高基于DL的动脉瘤检测的准确性和可靠性.

研究的目的:

• 开发和评估一个全自动化的混合启发式-DL管道,以减少在CTA上的内动脉瘤检测中的FP.
• 为了将自动化在扫描中的解剖细分和背景/静脉声素去除集成到DL管道中.
• 评估不同启发式后处理模块与DL模型一起的性能.

主要方法:

• 两个DL模型,CPM-Net和一个3D-CNN-TR混合,在1,186个CTA上受过训练.
• 一个管道整合了DL模型与启发式后处理模块,包括脑罩和基于DL的动脉-静脉分离.
• 根据与大脑口罩和/或静脉细分口罩的重叠,FPs被排除在外.

主要成果:

• 最有效的方法 (方法5) 在私人数据集上将FP降低了70.6%,在公共数据集上降低了57.9%,但没有显著降低真正值 (TP).
• 在私人数据集中,虚假阳性减少使虚假阳性率 (FPR) 从CPM-Net的0.88降至0.26,3D-CNN-TR的1.27降至0.62.
• 在RSNA数据集上,方法1有效地删除了FP,同时保留了TP,证明了基于解剖学的后处理的实用性.

结论:

• 将可解释的,基于解剖学的模块集成到DL管道中,以消除背景和静脉,从而提高了动脉瘤检测的性能.
• 混合启发式-DL管道提高模型性能,并可能增加放射学中的临床接受度.
• 自动化后处理技术对于AI在医学成像中的成功临床转化至关重要.