要約
飛行時間型磁気共鳴血管造影法 (TOF-MRA) における脳動脈瘤の検出は、ディープラーニング (DL) の出現により劇的に改善されました。
ただし、教師あり DL モデルのパフォーマンスは、ラベル付きサンプルの量に大きく依存しているため、取得に非常にコストがかかります。
ここでは、「弱い」ラベルの問題を克服する動脈瘤検出のための DL モデルを提示します: 作成がかなり高速な特大の注釈。
私たちの弱いラベルは、ボセル単位のラベルよりも 4 倍高速に生成できました。
さらに、私たちのモデルは、動脈瘤の発生のもっともらしい場所にのみ焦点を当てることにより、以前の解剖学的知識を活用しています。
まず、284 人の被験者 (女性 170 人 / 健常対照者 127 人 / 198 個の動脈瘤を有する患者 157 人) で構成される社内の TOF-MRA データセットの相互検証を通じてモデルをトレーニングし、評価します。
このデータセットでは、最高のモデルが 83% の感度を達成し、偽陽性 (FP) 率は患者あたり 0.8 でした。
モデルの一般化可能性を評価するために、TOF-MRA データ (93 人の患者、20 人のコントロール、125 人の動脈瘤) を使用した動脈瘤検出の課題に参加しました。
パブリック チャレンジでは、感度は 68% (FP レート = 2.5) で、オープン リーダーボードで 4 位/18 位でした。
動脈瘤の破裂リスクグループ (p=0.75)、位置 (p=0.72)、またはサイズ (p=0.15) の間で感度に有意差は見られませんでした。
データ、コード、およびモデルの重みは、寛容なライセンスの下でリリースされています。
弱いラベルと解剖学的知識が、法外に高価なボクセル単位の注釈の必要性を軽減できることを示します。
要約(オリジナル)
Brain aneurysm detection in Time-Of-Flight Magnetic Resonance Angiography (TOF-MRA) has undergone drastic improvements with the advent of Deep Learning (DL). However, performances of supervised DL models heavily rely on the quantity of labeled samples, which are extremely costly to obtain. Here, we present a DL model for aneurysm detection that overcomes the issue with ”weak” labels: oversized annotations which are considerably faster to create. Our weak labels resulted to be four times faster to generate than their voxel-wise counterparts. In addition, our model leverages prior anatomical knowledge by focusing only on plausible locations for aneurysm occurrence. We frst train and evaluate our model through cross-validation on an in-house TOF-MRA dataset comprising 284 subjects (170 females / 127 healthy controls / 157 patients with 198 aneurysms). On this dataset, our best model achieved a sensitivity of 83%, with False Positive (FP) rate of 0.8 per patient. To assess model generalizability, we then participated in a challenge for aneurysm detection with TOF-MRA data (93 patients, 20 controls, 125 aneurysms). On the public challenge, sensitivity was 68% (FP rate=2.5), ranking 4th/18 on the open leaderboard. We found no signifcant diference in sensitivity between aneurysm risk-of-rupture groups (p=0.75), locations (p=0.72), or sizes (p=0.15). Data, code and model weights are released under permissive licenses. We demonstrate that weak labels and anatomical knowledge can alleviate the necessity for prohibitively expensive voxel-wise annotations.
arxiv情報
| 著者 | Tommaso Di Noto,Guillaume Marie,Sebastien Tourbier,Yasser Alemán-Gómez,Oscar Esteban,Guillaume Saliou,Meritxell Bach Cuadra,Patric Hagmann,Jonas Richiardi |
| 発行日 | 2022-08-23 15:29:03+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google