Robust and Generalisable Segmentation of Subtle Epilepsy-causing Lesions: a Graph Convolutional Approach

要約

局所皮質異形成（FCD）は、手術によって治癒する薬剤抵抗性局所てんかんの主要な原因である。これらの病変は非常に繊細で、専門の神経放射線科医でもしばしば見逃されます。そのため、「真実の」手動病変マスクは高価で、限界があり、評価者間のばらつきが大きい。既存のFCD検出方法は、主に全脳のコンテキストを欠く頂点またはパッチベースのアプローチによる、多数の偽陽性予測によって制限されている。ここでは、グラフ畳み込みネットワーク（GCN）を用いたセマンティックセグメンテーションとしてこの問題にアプローチすることを提案し、これによって我々のモデルは脳領域間の空間的関係を学習することができる。FCD識別に特有の課題に対処するため、我々の提案するモデルは、偽陽性を減らすために病変からの距離を予測する補助損失と、不確実な病変マスクからの学習を促進する弱い監督分類損失を含む。構造MRIデータから得られた表面ベースの特徴量と手動の病変マスクを持つ1015人の多施設データセットにおいて、提案するGCNはAUC 0.74を達成し、以前に使用した頂点ワイズ多層パーセプトロン（MLP）分類器（AUC 0.64）に対して大幅に改善しました。感度を67%にしきい値化した場合、MLPを使用した場合の49%に比べ、GCNは71%の特異度を有していました。この特異度の向上は、AI放射線補助装置の使用に対する臨床的信頼性を高め、専門家のレビューを必要とする領域の数を減らすことにより、病変検出ツールを放射線ワークフローに臨床的に統合するために不可欠である。

要約(オリジナル)

Focal cortical dysplasia (FCD) is a leading cause of drug-resistant focal epilepsy, which can be cured by surgery. These lesions are extremely subtle and often missed even by expert neuroradiologists. ‘Ground truth’ manual lesion masks are therefore expensive, limited and have large inter-rater variability. Existing FCD detection methods are limited by high numbers of false positive predictions, primarily due to vertex- or patch-based approaches that lack whole-brain context. Here, we propose to approach the problem as semantic segmentation using graph convolutional networks (GCN), which allows our model to learn spatial relationships between brain regions. To address the specific challenges of FCD identification, our proposed model includes an auxiliary loss to predict distance from the lesion to reduce false positives and a weak supervision classification loss to facilitate learning from uncertain lesion masks. On a multi-centre dataset of 1015 participants with surface-based features and manual lesion masks from structural MRI data, the proposed GCN achieved an AUC of 0.74, a significant improvement against a previously used vertex-wise multi-layer perceptron (MLP) classifier (AUC 0.64). With sensitivity thresholded at 67%, the GCN had a specificity of 71% in comparison to 49% when using the MLP. This improvement in specificity is vital for clinical integration of lesion-detection tools into the radiological workflow, through increasing clinical confidence in the use of AI radiological adjuncts and reducing the number of areas requiring expert review.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL