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

要約

頭蓋内出血は、迅速かつしばしば集中的な治療を必要とする深刻な健康問題を引き起こします。
診断には、通常、頭蓋コンピュータ断層撮影 (CCT) スキャンが実行されます。
しかし、放射線による健康リスクの増加が懸念されています。
この潜在的なリスクを軽減するための最も重要な戦略は、放射線量をできるだけ低く保ち、診断作業と一致させることです。
スパース ビュー CT は、画質を犠牲にしても、取得されるビューの総数を減らすことによって線量を減らす効果的な戦略になる可能性があります。
この作業では、U-Net アーキテクチャを使用してスパース ビュー CCT からアーティファクトを減らし、スパース ビュー CCT から完全にサンプリングされた再構成を予測します。
予測された CCT での出血の検出可能性を、出血分類畳み込みニューラル ネットワークを使用して評価し、完全にサンプリングされた CCT でトレーニングして、さまざまなサブタイプの出血を検出および分類します。
私たちの結果は、スパース ビュー CCT における出血の自動分類と検出精度が、U-Net によって大幅に改善できることを示唆しています。
これは、低線量 CT データでの迅速な自動出血検出の実現可能性を示しており、日常の臨床診療で放射線科医を支援します。

要約(オリジナル)

Intracranial hemorrhage poses a serious health problem requiring rapid and often intensive medical treatment. For diagnosis, a Cranial Computed Tomography (CCT) scan is usually performed. However, the increased health risk caused by radiation is a concern. The most important strategy to reduce this potential risk is to keep the radiation dose as low as possible and consistent with the diagnostic task. Sparse-view CT can be an effective strategy to reduce dose by reducing the total number of views acquired, albeit at the expense of image quality. In this work, we use a U-Net architecture to reduce artifacts from sparse-view CCTs, predicting fully sampled reconstructions from sparse-view ones. We evaluate the hemorrhage detectability in the predicted CCTs with a hemorrhage classification convolutional neural network, trained on fully sampled CCTs to detect and classify different sub-types of hemorrhages. Our results suggest that the automated classification and detection accuracy of hemorrhages in sparse-view CCTs can be improved substantially by the U-Net. This demonstrates the feasibility of rapid automated hemorrhage detection on low-dose CT data to assist radiologists in routine clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google