A deep learning model for brain vessel segmentation in 3DRA with arteriovenous malformations

要約

3次元回転血管造影法（3DRA）における脳動静脈奇形（bAVM）のセグメンテーションは、臨床との関連性が高いため、文献上ではまだ未解決の問題である。深層学習モデルは、これらの画像における脳血管のセグメンテーションに適用されているが、bAVMを有する症例に使用されたことはない。これは、これらのアプローチを学習するための十分なアノテーションデータを得ることが困難であることが原因であると思われる。本論文では、bAVMs患者の3DRA画像における血管セグメンテーションのための最初の深層学習モデルを紹介する。この目的のために、我々はbAVM症例の5つの3DRAボリュームを密にアノテーションし、これらを用いて、異なるセグメンテーション目標を持つ2つの代替3DUNetベースのアーキテクチャを訓練した。その結果、2つのネットワークはbAVM解析に関連する構造を包括的にカバーし、標準的な手法で得られたものよりもはるかに優れていることがわかった。このことは、対象となるbAVM構造の位相的、形態的特徴をよりよく理解する上で有望である。さらに、このモデルは、グランドトゥルースのラベル付けで欠損している場合でも、静脈構造をセグメント化する能力を有しており、これはインターベンション治療の計画に関連するものである。最終的には、これらの結果は、手動でラベルを作成する煩雑な作業を軽減し、より信頼性の高い最初の初期推定値として使用することができます。

要約(オリジナル)

Segmentation of brain arterio-venous malformations (bAVMs) in 3D rotational angiographies (3DRA) is still an open problem in the literature, with high relevance for clinical practice. While deep learning models have been applied for segmenting the brain vasculature in these images, they have never been used in cases with bAVMs. This is likely caused by the difficulty to obtain sufficiently annotated data to train these approaches. In this paper we introduce a first deep learning model for blood vessel segmentation in 3DRA images of patients with bAVMs. To this end, we densely annotated 5 3DRA volumes of bAVM cases and used these to train two alternative 3DUNet-based architectures with different segmentation objectives. Our results show that the networks reach a comprehensive coverage of relevant structures for bAVM analysis, much better than what is obtained using standard methods. This is promising for achieving a better topological and morphological characterisation of the bAVM structures of interest. Furthermore, the models have the ability to segment venous structures even when missing in the ground truth labelling, which is relevant for planning interventional treatments. Ultimately, these results could be used as more reliable first initial guesses, alleviating the cumbersome task of creating manual labels.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL