Toward Automated Detection of Microbleeds with Anatomical Scale Localization: A Complete Clinical Diagnosis Support Using Deep Learning

要約

脳微小出血（CMB）は、脳組織内の微小血液産物の慢性的な沈着であり、解剖学的位置に応じて、認知機能低下、脳内出血、脳梗塞などのさまざまな脳血管疾患と明確な関係があります。
ただし、CMB はまばらで小さな構造特性があるため、手動による CMB の検出は時間がかかり、エラーが発生しやすいプロセスです。
CMB の検出は一般に、石灰化や軟膜血管など、高い偽陽性率 (FPR) を引き起こす多くの CMB 模倣物の存在によって影響を受けます。
この論文は、CMB を検出するだけでなく、脳内の CMB の解剖学的位置 (つまり、脳葉、深部、およびテント下領域) を通知する、新しい 3D 深層学習フレームワークを提案します。
CMB 検出タスクでは、リージョン プロポーザル ネットワーク (RPN) を備えたバックボーンとして U-Net を活用することで、単一のエンドツーエンド モデルを提案します。
同じ単一モデル内の FP を大幅に削減するために、コンテキスト情報を利用して小さな候補を検出する特徴融合モジュール (FFM) と、CMB 模倣をマイニングして濃度と呼ばれる追加の損失項を生成するハード サンプル プロトタイプ学習 (HSPL) を含む新しいスキームを開発します。
畳み込みプロトタイプ学習 (CPL) を使用した損失。
解剖学的位置特定タスクは、CMB がどの領域に属しているかを伝えるだけでなく、解剖学的情報を利用して検出タスクから一部の FP を除外します。
結果は、FFM と HSPL を利用する提案された RPN が通常の RPN よりも優れており、感度 94.66% 対 93.33%、被験者あたりの平均偽陽性数 (FPavg) 0.86 対 14.73 を達成していることを示しています。
また、解剖学的位置特定タスクでは、94.66% の感度を維持しながら FPavg を 0.56 に下げることで、検出パフォーマンスがさらに向上します。

要約(オリジナル)

Cerebral Microbleeds (CMBs) are chronic deposits of small blood products in the brain tissues, which have explicit relation to various cerebrovascular diseases depending on their anatomical location, including cognitive decline, intracerebral hemorrhage, and cerebral infarction. However, manual detection of CMBs is a time-consuming and error-prone process because of their sparse and tiny structural properties. The detection of CMBs is commonly affected by the presence of many CMB mimics that cause a high false-positive rate (FPR), such as calcification and pial vessels. This paper proposes a novel 3D deep learning framework that does not only detect CMBs but also inform their anatomical location in the brain (i.e., lobar, deep, and infratentorial regions). For the CMB detection task, we propose a single end-to-end model by leveraging the U-Net as a backbone with Region Proposal Network (RPN). To significantly reduce the FPs within the same single model, we develop a new scheme, containing Feature Fusion Module (FFM) that detects small candidates utilizing contextual information and Hard Sample Prototype Learning (HSPL) that mines CMB mimics and generates additional loss term called concentration loss using Convolutional Prototype Learning (CPL). The anatomical localization task does not only tell to which region the CMBs belong but also eliminate some FPs from the detection task by utilizing anatomical information. The results show that the proposed RPN that utilizes the FFM and HSPL outperforms the vanilla RPN and achieves a sensitivity of 94.66% vs. 93.33% and an average number of false positives per subject (FPavg) of 0.86 vs. 14.73. Also, the anatomical localization task further improves the detection performance by reducing the FPavg to 0.56 while maintaining the sensitivity of 94.66%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google