Improving Automated Hemorrhage Detection in Sparse-view Computed Tomography via Deep Convolutional Neural Network based Artifact Reduction

要約

目的: スパースビューコンピュータ断層撮影 (CT) は、画質が犠牲になるものの、取得されるビューの総数を減らすことで線量を低減する効果的な方法であり、結果として病気の検出能力に影響を与える可能性があります。
私たちは、スパースビュー頭部 CT スキャンにおける深層学習ベースのアーティファクトの削減と、自動出血検出に対するその影響を調査します。
方法: 公開データセットから取得し、さまざまなレベルのサブサンプリングで再構成した 3,000 人の患者のスパースビュー頭蓋 CT スキャンをシミュレートして、アーティファクトを低減するために U-Net をトレーニングしました。
さらに、自動出血検出のために、17,545 人の患者から完全にサンプリングされた CT データに基づいて畳み込みニューラル ネットワークをトレーニングしました。
対応する 95% 信頼区間 (CI) と DeLong テスト、および混同行列を使用して、受信者オペレーター特性曲線下面積 (AUC-ROC) を使用して分類パフォーマンスを評価しました。
U-Net のパフォーマンスは、総変動 (TV) に基づく分析アプローチと比較されました。
結果: U-Net は、画質と自動出血診断に関して、未処理画像および TV 処理画像と比較して優れたパフォーマンスを示しました。
U-Net の後処理を使用すると、ビュー数を 4096 (AUC-ROC: 0.974; 95% CI: 0.972-0.976) ビューから 512 ビュー (0.973; 0.971-0.975) まで、出血検出の減少を最小限に抑えながら (P<.001)、さらに 256 ビュー (0.967; 0.964-0.964-) まで削減できます。 0.969)、パフォーマンスはわずかに低下します (P<.001)。 結論: この結果は、U-Net ベースのアーティファクト削減により、スパースビュー頭蓋 CT における自動出血検出が大幅に向上することを示唆しています。 私たちの調査結果は、放射線量を最小限に抑えながら最適な画質と診断精度を得るには、適切な後処理が重要であることを強調しています。

要約(オリジナル)

Purpose: Sparse-view computed tomography (CT) is an effective way to reduce dose by lowering the total number of views acquired, albeit at the expense of image quality, which, in turn, can impact the ability to detect diseases. We explore deep learning-based artifact reduction in sparse-view cranial CT scans and its impact on automated hemorrhage detection. Methods: We trained a U-Net for artefact reduction on simulated sparse-view cranial CT scans from 3000 patients obtained from a public dataset and reconstructed with varying levels of sub-sampling. Additionally, we trained a convolutional neural network on fully sampled CT data from 17,545 patients for automated hemorrhage detection. We evaluated the classification performance using the area under the receiver operator characteristic curves (AUC-ROCs) with corresponding 95% confidence intervals (CIs) and the DeLong test, along with confusion matrices. The performance of the U-Net was compared to an analytical approach based on total variation (TV). Results: The U-Net performed superior compared to unprocessed and TV-processed images with respect to image quality and automated hemorrhage diagnosis. With U-Net post-processing, the number of views can be reduced from 4096 (AUC-ROC: 0.974; 95% CI: 0.972-0.976) views to 512 views (0.973; 0.971-0.975) with minimal decrease in hemorrhage detection (P<.001) and to 256 views (0.967; 0.964-0.969) with a slight performance decrease (P<.001). Conclusion: The results suggest that U-Net based artifact reduction substantially enhances automated hemorrhage detection in sparse-view cranial CTs. Our findings highlight that appropriate post-processing is crucial for optimal image quality and diagnostic accuracy while minimizing radiation dose.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google