Skip to main content
main-content

24.01.2019 | Ausgabe 3/2019

Journal of Digital Imaging 3/2019

Improving Sensitivity on Identification and Delineation of Intracranial Hemorrhage Lesion Using Cascaded Deep Learning Models

Zeitschrift:
Journal of Digital Imaging > Ausgabe 3/2019
Autoren:
Junghwan Cho, Ki-Su Park, Manohar Karki, Eunmi Lee, Seokhwan Ko, Jong Kun Kim, Dongeun Lee, Jaeyoung Choe, Jeongwoo Son, Myungsoo Kim, Sukhee Lee, Jeongho Lee, Changhyo Yoon, Sinyoul Park
Wichtige Hinweise

Publisher’s note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

Highly accurate detection of the intracranial hemorrhage without delay is a critical clinical issue for the diagnostic decision and treatment in an emergency room. In the context of a study on diagnostic accuracy, there is a tradeoff between sensitivity and specificity. In order to improve sensitivity while preserving specificity, we propose a cascade deep learning model constructed using two convolutional neural networks (CNNs) and dual fully convolutional networks (FCNs). The cascade CNN model is built for identifying bleeding; hereafter the dual FCN is to detect five different subtypes of intracranial hemorrhage and to delineate their lesions. Using a total of 135,974 CT images including 33,391 images labeled as bleeding, each of CNN/FCN models was trained separately on image data preprocessed by two different settings of window level/width. One is a default window (50/100[level/width]) and the other is a stroke window setting (40/40). By combining them, we obtained a better outcome on both binary classification and segmentation of hemorrhagic lesions compared to a single CNN and FCN model. In determining whether it is bleeding or not, there was around 1% improvement in sensitivity (97.91% [± 0.47]) while retaining specificity (98.76% [± 0.10]). For delineation of bleeding lesions, we obtained overall segmentation performance at 80.19% in precision and 82.15% in recall which is 3.44% improvement compared to using a single FCN model.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Weitere Produktempfehlungen anzeigen
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 3/2019

Journal of Digital Imaging 3/2019 Zur Ausgabe
  1. Sie können e.Med Radiologie 14 Tage kostenlos testen (keine Print-Zeitschrift enthalten). Der Test läuft automatisch und formlos aus. Es kann nur einmal getestet werden.

Neu im Fachgebiet Radiologie

Meistgelesene Bücher aus der Radiologie

2016 | Buch

Medizinische Fremdkörper in der Bildgebung

Thorax, Abdomen, Gefäße und Kinder

Dieses einzigartige Buch enthält ca. 1.600 hochwertige radiologische Abbildungen und Fotos iatrogen eingebrachter Fremdmaterialien im Röntgenbild und CT.

Herausgeber:
Dr. med. Daniela Kildal

2011 | Buch

Atlas Klinische Neuroradiologie des Gehirns

Radiologie lebt von Bildern! Der vorliegende Atlas trägt dieser Tatsache Rechnung. Sie finden zu jedem Krankheitsbild des Gehirns Referenzbilder zum Abgleichen mit eigenen Befunden.

Autoren:
Priv.-Doz. Dr. med. Jennifer Linn, Prof. Dr. med. Martin Wiesmann, Prof. Dr. med. Hartmut Brückmann

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Radiologie und bleiben Sie gut informiert – ganz bequem per eMail.

Bildnachweise