두개 내 출혈 (ICH)은 뇌 내부 또는 주위의 출혈로 인한 치명적인 형태의 뇌졸증입니다. 출혈의 검출 및 정량평가는 질병의 진단 및 치료에 매우 중요한 척도입니다. 본 논문에서는 환자의 CT 영상에서 ICH의 비정상 부위를 보다 정확하게 분류하는 것을 목표로 합니다. 이를 위해 Siamese U-Net에 영감을 준 Siamese Neural Network를 사전 연구하였으며, 출혈 가능성이 있는 적절한 ROI를 추천할 뿐만 아니라 F1-sco...
두개 내 출혈 (ICH)은 뇌 내부 또는 주위의 출혈로 인한 치명적인 형태의 뇌졸증입니다. 출혈의 검출 및 정량평가는 질병의 진단 및 치료에 매우 중요한 척도입니다. 본 논문에서는 환자의 CT 영상에서 ICH의 비정상 부위를 보다 정확하게 분류하는 것을 목표로 합니다. 이를 위해 Siamese U-Net에 영감을 준 Siamese Neural Network를 사전 연구하였으며, 출혈 가능성이 있는 적절한 ROI를 추천할 뿐만 아니라 F1-score는 0.86을 달성했습니다. Siamese U-Net은 한 쌍의 환자 CT 이미지와 건강한 뇌 CT 이미지를 활용하여 영상 분할합니다. 건강한 CT의 feature을 출혈 의심 환자의 feature와 유사성을 비교하여 U-Net의 skip-connection에 전달합니다. 이를 통해 출혈영역을 더욱더 강조합니다. 제안된 모델의 정확성을 U-Net과 비교하여 평가합니다. 제안된 모델은 U-Net에 비해 Hausdorff distance(6.81%), Dice score(9.07%), 그리고 체적 오류 백분율(40.32%)이 크게 개선되었습니다. 건강한 CT 이미지를 활용하였더니, Siamese U-Net의 결과는 false-negative와 false-positive가 호전됨을 볼 수 있었습니다. 결과적으로 Siamese U-Net에 의한 추정 혈액량은 U-Net에 비해 좀더 정확하게 체적을 계산할 수 있습니다. 추가적으로, patch-based learning에서 patch 크기에 따른 결과를 비교하여 다양한 결과를 보았다.
두개 내 출혈 (ICH)은 뇌 내부 또는 주위의 출혈로 인한 치명적인 형태의 뇌졸증입니다. 출혈의 검출 및 정량평가는 질병의 진단 및 치료에 매우 중요한 척도입니다. 본 논문에서는 환자의 CT 영상에서 ICH의 비정상 부위를 보다 정확하게 분류하는 것을 목표로 합니다. 이를 위해 Siamese U-Net에 영감을 준 Siamese Neural Network를 사전 연구하였으며, 출혈 가능성이 있는 적절한 ROI를 추천할 뿐만 아니라 F1-score는 0.86을 달성했습니다. Siamese U-Net은 한 쌍의 환자 CT 이미지와 건강한 뇌 CT 이미지를 활용하여 영상 분할합니다. 건강한 CT의 feature을 출혈 의심 환자의 feature와 유사성을 비교하여 U-Net의 skip-connection에 전달합니다. 이를 통해 출혈영역을 더욱더 강조합니다. 제안된 모델의 정확성을 U-Net과 비교하여 평가합니다. 제안된 모델은 U-Net에 비해 Hausdorff distance(6.81%), Dice score(9.07%), 그리고 체적 오류 백분율(40.32%)이 크게 개선되었습니다. 건강한 CT 이미지를 활용하였더니, Siamese U-Net의 결과는 false-negative와 false-positive가 호전됨을 볼 수 있었습니다. 결과적으로 Siamese U-Net에 의한 추정 혈액량은 U-Net에 비해 좀더 정확하게 체적을 계산할 수 있습니다. 추가적으로, patch-based learning에서 patch 크기에 따른 결과를 비교하여 다양한 결과를 보았다.
Intracranial hemorrhage (ICH) is a critical form of stroke which is caused by bleeding within or around the brain. Detection and quantification of hemorrhage are important in the diagnosis and treatment of the disease. In this paper, I propose Siamese U-Net, to segment the abnormal regions of ICH mo...
Intracranial hemorrhage (ICH) is a critical form of stroke which is caused by bleeding within or around the brain. Detection and quantification of hemorrhage are important in the diagnosis and treatment of the disease. In this paper, I propose Siamese U-Net, to segment the abnormal regions of ICH more accurately from patients' CT images. The Siamese U-Net is given a paired set of the patients' CT images and a healthy template of the brain CT. I introduce the dissimilarity of hemorrhage regions from the healthy template to the long skip-connection in the U-Net architecture to emphasize the convolutional features of the abnormal regions by ICH. I evaluate the accuracy of the proposed architecture with a comparison of the baseline U-Net. The proposed model shows significant improvement in Hausdorff distance (6.81%), dice score (9.07%), and volume percentage error (40.32%), compared to the baseline U-Net model. Regarding the healthy template, less both false-negative and false-positive regions are observed in the results of the Siamese U-Net. Consequently, the estimated blood volume by the Siamese U-Net is much closer to the actual volume than that of the baseline U-Net. In addition, I compared the results of patch-based learning and overall image learning.
Intracranial hemorrhage (ICH) is a critical form of stroke which is caused by bleeding within or around the brain. Detection and quantification of hemorrhage are important in the diagnosis and treatment of the disease. In this paper, I propose Siamese U-Net, to segment the abnormal regions of ICH more accurately from patients' CT images. The Siamese U-Net is given a paired set of the patients' CT images and a healthy template of the brain CT. I introduce the dissimilarity of hemorrhage regions from the healthy template to the long skip-connection in the U-Net architecture to emphasize the convolutional features of the abnormal regions by ICH. I evaluate the accuracy of the proposed architecture with a comparison of the baseline U-Net. The proposed model shows significant improvement in Hausdorff distance (6.81%), dice score (9.07%), and volume percentage error (40.32%), compared to the baseline U-Net model. Regarding the healthy template, less both false-negative and false-positive regions are observed in the results of the Siamese U-Net. Consequently, the estimated blood volume by the Siamese U-Net is much closer to the actual volume than that of the baseline U-Net. In addition, I compared the results of patch-based learning and overall image learning.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.