Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on Non-Contrast CT Compared to Expert Neuroradiologists

要約

畳み込みニューラル ネットワーク (CNN) 深層学習モデルが、神経放射線科医と比較して、非造影 CT 上の急性虚血性変化を正確にセグメント化できるかどうかを判断する。
DEFUSE 3試験に登録された232人の急性虚血性脳卒中患者からの非造影CT（NCCT）検査がこの研究に含まれた。
3 人の経験豊富な神経放射線科医が、各スキャンで虚血中心部を反映する低密度を独立してセグメント化しました。
最も経験豊富な神経放射線科医 (専門家 A) が、ディープ ラーニング モデル トレーニングのグラウンド トゥルースとして機能しました。
データテストには、さらに 2 人の神経放射線科医 (専門家 B および C) によるセグメンテーションが使用されました。
232 件の研究は、トレーニング セットとテスト セットにランダムに分割されました。
トレーニング セットはさらに、トレーニング セットと検証セットを含む 5 つの部分にランダムに分割されました。
3 次元 CNN アーキテクチャは、NCCT の専門家 A のセグメンテーションを予測するためにトレーニングおよび最適化されました。
モデルのパフォーマンスは、20%、3ml、および 3mm の非劣性しきい値を使用して、ボリューム、オーバーラップ、および距離のメトリクスのセットを使用して評価されました。
エキスパート A でトレーニングされた最適化モデルは、テストエキスパート B および C と比較されました。片側ウィルコクソン符号付き順位検定を使用して、専門家間の合意と比較したモデルエキスパートの非劣性をテストしました。
虚血性コアセグメンテーションタスクの最終モデルパフォーマンスは、専門家Aでトレーニングした場合、公差5mmで0.46+-0.09表面ダイスのパフォーマンスに達し、専門家Aでトレーニングした場合は0.47+-0.13ダイスのパフォーマンスに達しました。2人のテスト神経放射線科医と比較して、モデルと専門家の一致は劣っていませんでした。
専門家間の合意によれば、p < 0.05。 CNN は、神経放射線科医に匹敵する精度で、急性虚血性脳卒中患者の NCCT 上の低密度虚血コアの輪郭を正確に描写します。

要約(オリジナル)

To determine if a convolutional neural network (CNN) deep learning model can accurately segment acute ischemic changes on non-contrast CT compared to neuroradiologists. Non-contrast CT (NCCT) examinations from 232 acute ischemic stroke patients who were enrolled in the DEFUSE 3 trial were included in this study. Three experienced neuroradiologists independently segmented hypodensity that reflected the ischemic core on each scan. The neuroradiologist with the most experience (expert A) served as the ground truth for deep learning model training. Two additional neuroradiologists (experts B and C) segmentations were used for data testing. The 232 studies were randomly split into training and test sets. The training set was further randomly divided into 5 folds with training and validation sets. A 3-dimensional CNN architecture was trained and optimized to predict the segmentations of expert A from NCCT. The performance of the model was assessed using a set of volume, overlap, and distance metrics using non-inferiority thresholds of 20%, 3ml, and 3mm. The optimized model trained on expert A was compared to test experts B and C. We used a one-sided Wilcoxon signed-rank test to test for the non-inferiority of the model-expert compared to the inter-expert agreement. The final model performance for the ischemic core segmentation task reached a performance of 0.46+-0.09 Surface Dice at Tolerance 5mm and 0.47+-0.13 Dice when trained on expert A. Compared to the two test neuroradiologists the model-expert agreement was non-inferior to the inter-expert agreement, p < 0.05. The CNN accurately delineates the hypodense ischemic core on NCCT in acute ischemic stroke patients with an accuracy comparable to neuroradiologists.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google