Une stratégie de données efficace pour la détection des anévrismes cérébraux avec l'apprentissage profond
Résumé
The detection of intracranial aneurysms from Magnetic Resonance Angiography images is a problem of rapidly growing clinical importance, but also extremely challenging to automate. However, in the last 3 years, the raise of deep convolutional neural networks has instigated a streak of
methods that have convincingly removed the technological deadlock and show 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. A 5-fold cross-validation evaluation provides state of the art results (sensitivity 0.82, false positive count 0.61, 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 des anévrismes intracrâniens à partir d’images d’angiographie par résonance magnétique (MRA) est un problème dont l’importance clinique croît rapidement, mais qui est par ailleurs extrêmement difficile à automatiser. Cependant, ces 3 dernières années ont connu une augmentation du recours à des réseaux de neurones convolutifs et suscité un corpus de méthodes qui ont surmonté cette impasse technologique et avec des performances de détection convaincantes. Le problème majeur à résoudre est le très déséquilibre de classes présenté dans les données. Les travaux précédents ont concentré leurs études sur l’architecture du réseau et la fonction de coût. De manière complémentaire, cet article se concentre sur les données. Une annotation approximative et rapide est proposée : chaque anévrisme est approché par une sphère définie par deux points. Par ailleurs, une approche par patchs est adoptée afin d’augmenter le nombre d’échantillons. Enfin, les échantillons sont générés par une combinaison de sélection de données (les patchs négatifs sont centrés pour moitié sur les vaisseaux sanguins et pour moitié sur le parenchyme) et de synthèse de données (les patchs contenant un anévrisme sont dupliqués et déformés par une transformation spline 3D). Cette stratégie est appliquée pour entraîner un réseau standard 3D U-net, avec l’entropie-croisée binaire comme fonction de coût, sur un ensemble de données de 111 patients. De très bonnes performances ont été évaluée par validation croisée à 5 blocs (sensibilité 0.82, nombre de faux positifs 0.61, selon les critères du challenge ADAM 1). L’étude fournit également une comparaison avec la fonction de coût Focal, 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) |
|---|