Deep Learning-Based Assessment of Cerebral Microbleeds in COVID-19

要約

通常、感受性強調画像 (SWI) からの低信号として捕捉される脳微小出血 (CMB) は、認知症、脳血管疾患、および正常な老化の研究にとって特に重要です。
COVID-19 に関する最近の研究では、コロナウイルス症例の CMB の増加が示されています。
CMB の自動検出は、CMB のサイズと量が小さいためにクラスが非常に不均衡になり、公開されている注釈付きデータが不足しており、石灰化、鉄、静脈などの CMB 模倣物と類似しているため、困難です。
したがって、既存の深層学習手法は、ほとんどが非常に限られた研究データでトレーニングされており、変動性の高い目に見えないデータに一般化することができず、臨床設定では使用できません。
この目的のために、マルチドメイン データで積極的にトレーニングされる効率的な 3D ディープ ラーニング フレームワークを提案します。
モデルのトレーニングと評価には、通常の加齢、脳卒中、アルツハイマー病の分析に割り当てられた 2 つの公開データセットと、COVID-19 評価用の社内データセットが使用されます。
得られた結果は、提案された方法が低解像度画像に対して堅牢であり、スキャンごとに平均 1.6 の偽陽性で、テスト セット全体で 78% の再現率と 80% の精度を達成することを示しています。

要約(オリジナル)

Cerebral Microbleeds (CMBs), typically captured as hypointensities from susceptibility-weighted imaging (SWI), are particularly important for the study of dementia, cerebrovascular disease, and normal aging. Recent studies on COVID-19 have shown an increase in CMBs of coronavirus cases. Automatic detection of CMBs is challenging due to the small size and amount of CMBs making the classes highly imbalanced, lack of publicly available annotated data, and similarity with CMB mimics such as calcifications, irons, and veins. Hence, the existing deep learning methods are mostly trained on very limited research data and fail to generalize to unseen data with high variability and cannot be used in clinical setups. To this end, we propose an efficient 3D deep learning framework that is actively trained on multi-domain data. Two public datasets assigned for normal aging, stroke, and Alzheimer’s disease analysis as well as an in-house dataset for COVID-19 assessment are used to train and evaluate the models. The obtained results show that the proposed method is robust to low-resolution images and achieves 78% recall and 80% precision on the entire test set with an average false positive of 1.6 per scan.

arxiv情報

著者 Neus Rodeja Ferrer,Malini Vendela Sagar,Kiril Vadimovic Klein,Christina Kruuse,Mads Nielsen,Mostafa Mehdipour Ghazi
発行日 2023-01-23 08:46:17+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.LG, eess.IV パーマリンク