Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection

要約

肺塞栓症 (PE) 診断におけるコンピューター断層撮影肺血管造影 (CTPA) への依存度が高まっているため、課題が生じており、診断ソリューションの改善が緊急に必要となっています。
この研究の主な目的は、深層学習技術を活用して PE のコンピュータ支援診断 (CAD) を強化することです。
この目的で、我々は、分類子の確率的推論を効果的に活用して検出予測を指示する、分類子ガイドによる検出アプローチを提案し、自動PE診断の分野で新たな貢献を示します。
私たちの分類システムには、アテンション メカニズムを採用してローカル コンテキストを使用するアテンション ガイド付き畳み込みニューラル ネットワーク (AG-CNN) が含まれています。
このアプローチは、決定を下す前に全体的な外観と局所的な病変領域の両方を調べることにより、人間の専門家の注意をエミュレートします。
この分類器は FUMPE データセット上で堅牢なパフォーマンスを示し、Inception-v3 バックボーン アーキテクチャで AUROC 0.927、感度 0.862、特異度 0.879、F1 スコア 0.805 を達成しました。
さらに、AG-CNN はベースラインの DenseNet-121 モデルを上回り、8.1% の AUROC ゲインを達成しました。
これまでの研究は主に主要動脈のPEの発見に焦点を当てていましたが、最先端の物体検出モデルとアンサンブル技術を使用することで、末梢動脈の小さな塞栓症の検出精度が大幅に向上しました。
最後に、私たちが提案する分類器に基づく検出アプローチは、検出メトリクスをさらに改良し、新しい最先端技術をコミュニティに提供します。mAP$_{50}$、感度、F1 スコアは 0.846、0.901、0.779 です。
それぞれ、以前のベンチマークを上回り、mAP$_{50}$ が 3.7% 大幅に向上しました。
私たちの研究は、AI ソリューションを臨床ワークフローに統合することで PE 患者のケアを向上させ、医療診断における人間と AI のコラボレーションの可能性を強調することを目的としています。

要約(オリジナル)

The increasing reliance on Computed Tomography Pulmonary Angiography (CTPA) for Pulmonary Embolism (PE) diagnosis presents challenges and a pressing need for improved diagnostic solutions. The primary objective of this study is to leverage deep learning techniques to enhance the Computer Assisted Diagnosis (CAD) of PE. With this aim, we propose a classifier-guided detection approach that effectively leverages the classifier’s probabilistic inference to direct the detection predictions, marking a novel contribution in the domain of automated PE diagnosis. Our classification system includes an Attention-Guided Convolutional Neural Network (AG-CNN) that uses local context by employing an attention mechanism. This approach emulates a human expert’s attention by looking at both global appearances and local lesion regions before making a decision. The classifier demonstrates robust performance on the FUMPE dataset, achieving an AUROC of 0.927, sensitivity of 0.862, specificity of 0.879, and an F1-score of 0.805 with the Inception-v3 backbone architecture. Moreover, AG-CNN outperforms the baseline DenseNet-121 model, achieving an 8.1% AUROC gain. While previous research has mostly focused on finding PE in the main arteries, our use of cutting-edge object detection models and ensembling techniques greatly improves the accuracy of detecting small embolisms in the peripheral arteries. Finally, our proposed classifier-guided detection approach further refines the detection metrics, contributing new state-of-the-art to the community: mAP$_{50}$, sensitivity, and F1-score of 0.846, 0.901, and 0.779, respectively, outperforming the former benchmark with a significant 3.7% improvement in mAP$_{50}$. Our research aims to elevate PE patient care by integrating AI solutions into clinical workflows, highlighting the potential of human-AI collaboration in medical diagnostics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google