Concurrent ischemic lesion age estimation and segmentation of CT brain using a Transformer-based network

要約

脳卒中治療の基本は、脳卒中発症からの時間に応じて異なる適切な管理です。
したがって、臨床上の意思決定はタイミングの正確な知識に集中しており、多くの場合、放射線科医が脳のコンピューター断層撮影 (CT) を読影してイベントの発生と年齢を確認する必要があります。
これらのタスクは、急性虚血性病変の微妙な表現とその外観の動的な性質により、特に困難です。
自動化の取り組みでは、病変年齢の推定に深層学習をまだ適用しておらず、これら 2 つのタスクを独立して処理していないため、それらの固有の補完関係が見落とされています。
これを活用するために、脳虚血性病変の同時セグメンテーションと年齢推定のために最適化された、新しいエンドツーエンドのマルチタスクトランスフォーマーベースのネットワークを提案します。
ゲート制御された位置セルフアテンションと CT 固有のデータ拡張を利用することで、提案された方法は、医療画像処理で一般的に見られる低データ領域で最初からトレーニングできる能力を維持しながら、長距離の空間依存性をキャプチャできます。
さらに、複数の予測をより適切に組み合わせるために、分位損失を利用して病変年齢の確率密度関数の推定を容易にすることで不確実性を組み込みます。
次に、2 つの医療センターからの 776 枚の CT 画像で構成される臨床データセットを使用して、モデルの有効性が広範囲に評価されます。
実験結果は、従来のアプローチを使用した場合の 0.858 と比較して、病変年齢 4.5 時間以下の分類において曲線下面積 (AUC) が 0.933 と、我々の方法が有望なパフォーマンスを達成し、タスク固有の最先端のアルゴリズムを上回るパフォーマンスを示していることを示しています。
。

要約(オリジナル)

The cornerstone of stroke care is expedient management that varies depending on the time since stroke onset. Consequently, clinical decision making is centered on accurate knowledge of timing and often requires a radiologist to interpret Computed Tomography (CT) of the brain to confirm the occurrence and age of an event. These tasks are particularly challenging due to the subtle expression of acute ischemic lesions and the dynamic nature of their appearance. Automation efforts have not yet applied deep learning to estimate lesion age and treated these two tasks independently, so, have overlooked their inherent complementary relationship. To leverage this, we propose a novel end-to-end multi-task transformer-based network optimized for concurrent segmentation and age estimation of cerebral ischemic lesions. By utilizing gated positional self-attention and CT-specific data augmentation, the proposed method can capture long-range spatial dependencies while maintaining its ability to be trained from scratch under low-data regimes commonly found in medical imaging. Furthermore, to better combine multiple predictions, we incorporate uncertainty by utilizing quantile loss to facilitate estimating a probability density function of lesion age. The effectiveness of our model is then extensively evaluated on a clinical dataset consisting of 776 CT images from two medical centers. Experimental results demonstrate that our method obtains promising performance, with an area under the curve (AUC) of 0.933 for classifying lesion ages <=4.5 hours compared to 0.858 using a conventional approach, and outperforms task-specific state-of-the-art algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google