Acute ischemic stroke lesion segmentation in non-contrast CT images using 3D convolutional neural networks

要約

この論文では、非造影CT脳3D画像における急性虚血性脳卒中病変の体積セグメンテーションを目的とした自動アルゴリズムが提案されています。
私たちの深層学習アプローチは、一般的な 3D U-Net 畳み込みニューラル ネットワーク アーキテクチャに基づいており、スクイーズ アンド エキサイテーション ブロックと残差結合を追加することで修正されています。
セグメンテーションの精度を向上させるために、堅牢な前処理方法が実装されました。
さらに、特定のパッチ サンプリング戦略を使用して、大きなサイズの医用画像に対処し、クラスの不均衡問題の影響を滑らかにし、ニューラル ネットワークのトレーニングを安定させました。
すべての実験は、急性虚血性脳卒中と診断された 81 人の患者の非造影 CT ボリューム脳スキャンを含むデータセットに対して、5 倍の交差検証を使用して実行されました。
2 人の放射線専門家が手動で個別に画像を分割し、ラベル付けの結果に矛盾がないか検証しました。
提案されたアルゴリズムと得られたセグメンテーションの定量的結果は、ダイス類似度係数、感度、特異性、および精度メトリックによって測定されました。
私たちが提案したモデルは、$0.628\pm0.033$ の平均ダイス、$0.699\pm0.039$ の感度、$0.9965\pm0.0016$ の特異性、$0.619\pm0.036$ の精度を達成し、有望なセグメンテーション結果を示しています。

要約(オリジナル)

In this paper, an automatic algorithm aimed at volumetric segmentation of acute ischemic stroke lesion in non-contrast computed tomography brain 3D images is proposed. Our deep-learning approach is based on the popular 3D U-Net convolutional neural network architecture, which was modified by adding the squeeze-and-excitation blocks and residual connections. Robust pre-processing methods were implemented to improve the segmentation accuracy. Moreover, a specific patches sampling strategy was used to address the large size of medical images, to smooth out the effect of the class imbalance problem and to stabilize neural network training. All experiments were performed using five-fold cross-validation on the dataset containing non-contrast computed tomography volumetric brain scans of 81 patients diagnosed with acute ischemic stroke. Two radiology experts manually segmented images independently and then verified the labeling results for inconsistencies. The quantitative results of the proposed algorithm and obtained segmentation were measured by the Dice similarity coefficient, sensitivity, specificity and precision metrics. Our proposed model achieves an average Dice of $0.628\pm0.033$, sensitivity of $0.699\pm0.039$, specificity of $0.9965\pm0.0016$ and precision of $0.619\pm0.036$, showing promising segmentation results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google