Class Activation Map-based Weakly supervised Hemorrhage Segmentation using Resnet-LSTM in Non-Contrast Computed Tomography images

要約

臨床現場では、頭蓋内出血 (ICH) は重症度評価のために非造影 CT (NCCT) を使用して日常的に診断されます。
ICH 病変の正確な自動セグメンテーションは最初の不可欠なステップであり、このような評価には非常に役立ちます。
ただし、MRI などの他の構造画像診断法と比較して、NCCT 画像では ICH は非常に低いコントラストと低い SNR で表示されます。
近年、ディープラーニング（DL）ベースの手法は大きな可能性を示していますが、そのトレーニングには、ICHの特徴を捉えるのに十分な多様性を備えた、手動で注釈を付けた病変レベルのラベルが大量に必要となります。
この研究では、画像レベルのバイナリ分類ラベルを使用した、NCCT スキャンでの ICH セグメンテーションのための新しい弱教師あり DL 法を提案します。これは、個々の ICH 病変の手動ラベル付けと比較した場合、時間と労働効率が少なくなります。
私たちの方法では、最初に、連続するスライス間の依存関係を学習するように訓練された分類ネットワークからのクラス アクティベーション マップを使用して、ICH のおおよその位置を決定します。
教師なしの方法で取得された擬似 ICH マスクを使用して、ICH セグメンテーションをさらに改良します。
この方法は柔軟で、テスト中に計算量の少ないアーキテクチャを使用します。
MICCAI 2022 INSTANCE チャレンジの検証データで私たちのメソッドを評価すると、はるかに小さいトレーニング データでトレーニングしたにもかかわらず、私たちのメソッドは、既存の弱教師ありメソッド (Dice 値 0.47) と同等の Dice 値 0.55 を達成しました。

要約(オリジナル)

In clinical settings, intracranial hemorrhages (ICH) are routinely diagnosed using non-contrast CT (NCCT) for severity assessment. Accurate automated segmentation of ICH lesions is the initial and essential step, immensely useful for such assessment. However, compared to other structural imaging modalities such as MRI, in NCCT images ICH appears with very low contrast and poor SNR. Over recent years, deep learning (DL)-based methods have shown great potential, however, training them requires a huge amount of manually annotated lesion-level labels, with sufficient diversity to capture the characteristics of ICH. In this work, we propose a novel weakly supervised DL method for ICH segmentation on NCCT scans, using image-level binary classification labels, which are less time-consuming and labor-efficient when compared to the manual labeling of individual ICH lesions. Our method initially determines the approximate location of ICH using class activation maps from a classification network, which is trained to learn dependencies across contiguous slices. We further refine the ICH segmentation using pseudo-ICH masks obtained in an unsupervised manner. The method is flexible and uses a computationally light architecture during testing. On evaluating our method on the validation data of the MICCAI 2022 INSTANCE challenge, our method achieves a Dice value of 0.55, comparable with those of existing weakly supervised method (Dice value of 0.47), despite training on a much smaller training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google