An efficient data strategy for the detection of brain aneurysms from MRA with deep learning
Résumé
The detection of intracranial aneurysms from Magnetic Resonance Angiography images is a problem of rapidly growing clinical importance. In the last 3 years, the raise of deep convolutional neural networks has instigated a streak of methods that have shown promising performance. The major issue to address is the very severe class imbalance. Previous authors have focused their efforts on the network architecture and loss function. This paper tackles the data. A rough but fast annotation is considered: each aneurysm is approximated by a sphere defined by two points. Second, a small patch approach is taken so as to increase the number of samples. Third, samples are generated by a combination of data selection (negative patches are centered half on blood vessels and half on parenchyma) and data synthesis (patches containing an aneurysm are duplicated and deformed by a 3D spline transform). This strategy is applied to train a 3D U-net model, with a binary cross entropy loss, on a data set of 111 patients (155 aneurysms, mean size 3.86mm ± 2.39mm, min 1.23mm, max 19.63mm). A 5-fold cross-validation evaluation provides state of the art results (sensitivity 0.72, false positive count 0.14, as per ADAM challenge criteria). The study also reports a comparison with the focal loss, and Cohen's Kappa coefficient is shown to be a better metric than Dice for this highly unbalanced detection problem.
La détection d'anévrismes intracrâniens à partir d'images d'angiographie par résonance magnétique est un problème d'une importance clinique croissante. Au cours des 3 dernières années, l'augmentation des réseaux de neurones convolutifs profonds a suscité une série de méthodes qui ont montré des performances prometteuses. Le problème majeur à résoudre est le très grave déséquilibre de classe. Les auteurs précédents ont concentré leurs efforts sur l'architecture du réseau et la fonction de perte. Cet article aborde les données. Une annotation grossière mais rapide est envisagée : chaque anévrisme est approché par une sphère définie par deux points. Deuxièmement, une approche par petits patches est adoptée afin d'augmenter le nombre d'échantillons. Troisièmement, les échantillons sont générés par une combinaison de sélection de données (les patches négatifs sont centrés à moitié sur les vaisseaux sanguins et à moitié sur le parenchyme) et la synthèse de données (les patches contenant un anévrisme sont dupliqués et déformés par une transformation spline 3D). Cette stratégie est appliquée pour former un modèle U-net 3D, avec une perte d'entropie croisée binaire, sur un ensemble de données de 111 patients (155 anévrismes, taille moyenne 3,86 mm ± 2,39 mm, min 1,23 mm, max 19,63 mm). Une évaluation de validation croisée 5 fois fournit des résultats de pointe (sensibilité 0,72, nombre de faux positifs 0,14, selon les critères de défi ADAM). L'étude rapporte également une comparaison avec la perte focale, et le coefficient Kappa de Cohen s'avère être une meilleure métrique que Dice pour ce problème de détection très déséquilibré.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|