Development of a Deep Learning Method to Identify Acute Ischemic Stroke Lesions on Brain CT

要約

コンピューター断層撮影 (CT) は、急性虚血性脳卒中 (AIS) 患者の画像化に一般的に使用されますが、放射線科医によるその読影には時間がかかり、観察者間のばらつきが生じます。
深層学習 (DL) 技術は自動 CT 脳スキャン評価を提供できますが、通常は注釈付きの画像が必要です。
AIS 患者からのラベル付きだが注釈のない CT 脳スキャンを使用した AIS の DL 手法の開発を目的として、第 3 回国際脳卒中臨床試験 (IST-3) から定期的に収集された CT 脳スキャンを使用して、畳み込みニューラル ネットワーク ベースの DL アルゴリズムを設計しました。
これらは厳密な研究プロトコルを使用して取得されたものではありません。
DL モデルは、AIS 病変を検出し、影響を受けた脳の側面を分類することを目的としていました。
私たちは、AIS 病変の特徴、背景の脳の外観、DL パフォーマンスに対するタイミングの影響を調査しました。
専門家のラベル付けによれば、2,347 人の AIS 患者（年齢中央値 82 歳）の 5,772 件の CT スキャンから、54% に目に見える AIS 病変が認められました。
当社の最も優れた DL 法は、病変の存在と側面に関して 72% の精度を達成しました。
より大きな病変 (精度 80%) または複数の病変 (2 つの病変の精度 87%、3 つ以上の病変の精度 100%) がより適切に検出されました。
フォローアップ スキャンの精度は 76% でしたが、ベースライン スキャンの精度は 67% でした。
慢性的な脳の状態、特に非脳卒中病変と古い脳卒中病変では精度が低下しました（それぞれ、誤り率32%と31%）。
DL 方法は、日常的に収集される膨大な量の CT 脳スキャン データを使用して、CT 上で AIS 病変を検出するように設計できます。
最終的には、これはより堅牢で広く適用可能な手法につながるはずです。

要約(オリジナル)

Computed Tomography (CT) is commonly used to image acute ischemic stroke (AIS) patients, but its interpretation by radiologists is time-consuming and subject to inter-observer variability. Deep learning (DL) techniques can provide automated CT brain scan assessment, but usually require annotated images. Aiming to develop a DL method for AIS using labelled but not annotated CT brain scans from patients with AIS, we designed a convolutional neural network-based DL algorithm using routinely-collected CT brain scans from the Third International Stroke Trial (IST-3), which were not acquired using strict research protocols. The DL model aimed to detect AIS lesions and classify the side of the brain affected. We explored the impact of AIS lesion features, background brain appearances, and timing on DL performance. From 5772 unique CT scans of 2347 AIS patients (median age 82), 54% had visible AIS lesions according to expert labelling. Our best-performing DL method achieved 72% accuracy for lesion presence and side. Lesions that were larger (80% accuracy) or multiple (87% accuracy for two lesions, 100% for three or more), were better detected. Follow-up scans had 76% accuracy, while baseline scans 67% accuracy. Chronic brain conditions reduced accuracy, particularly non-stroke lesions and old stroke lesions (32% and 31% error rates respectively). DL methods can be designed for AIS lesion detection on CT using the vast quantities of routinely-collected CT brain scan data. Ultimately, this should lead to more robust and widely-applicable methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google