MSA-Yolov5：マルチモダリティMRI画像からの急性虚血性脳卒中を自動検出するためのマルチスケールの注意ベースのYolov5

背景と目的：急性虚血性脳卒中（AIS）は、脳虚血の突然の発症を特徴とする一般的な神経障害であり、機能障害につながります。AIS病変の迅速かつ正確な検出は、脳卒中の診断と治療には重要ですが、重要な課題をもたらします。この研究の目的は、マルチモーダル融合技術を活用して、さまざまなモダリティからの補完的な情報を組み合わせて、AISターゲット検出モデルの検出性能を高めることを目的としています。 方法：AISのこの遡及的研究では、316 AIS患者からデータを収集し、マルチモダリティ磁気共鳴画像（MRI）データセットを作成しました。マルチスケールの注意ベースのYolov5（MSA-Yolov5）を提案し、低解像度での小さな病変のサイズやぼやけた境界などの課題をターゲットにしています。具体的には、さまざまなスケールでオブジェクトを検出するための予測ヘッドでYolov5を増強します。次に、元の予測ヘッドをマルチスケールのSWIN変圧器予測ヘッド（MS-STPH）に置き換えます。これにより、計算の複雑さが線形レベルに低下し、小さな病変を検出する能力が向上します。より多くの識別表現のために2次機能統計を使用することにより、2次チャネルの注意（SOCA）モジュールを適応的にチャネル機能を再スケールするように組み込みます。最後に、Isles 2022データセットを使用して、メソッドの有効性をさらに検証します。 結果：社内のAISデータセットでは、MSA-Yolov5が79.0％MAP0.5を達成し、他の単一段階モデルを大幅に上回ります。2段階モデルと比較して、パラメーターの数と解像度の数を大幅に削減しながら、同等のパフォーマンスレベルを維持します。Isles 2022データセットでは、MSA-Yolov5は80.0％のMAP0.5を達成し、他のネットワークモデルをかなりのマージンで上回ります。MS-STPHおよびSOCAモジュールは、それぞれMAP0.5をそれぞれ2.7％と1.9％増加させることができます。視覚化解釈可能性の結果は、提案されたMSA-Yolov5がAIS病変の小さな領域で高い注意を制限することを示しています。 結論：提案されているMSA-Yolov5は、特に小さな病変やアーティファクトについて、マルチモーダル画像の急性虚血性脳卒中病変を自動的かつ効果的に検出することができます。強化されたモデルは、検出精度を向上させながらパラメーターの数を減らします。このモデルは、放射線科医がより正確な診断を提供するのを支援する可能性があり、臨床医がより良い治療計画を開発できるようにすることができます。

BACKGROUND AND OBJECTIVE: Acute ischemic stroke (AIS) is a common neurological disorder characterized by the sudden onset of cerebral ischemia, leading to functional impairments. Swift and precise detection of AIS lesions is crucial for stroke diagnosis and treatment but poses a significant challenge. This study aims to leverage multimodal fusion technology to combine complementary information from various modalities, thereby enhancing the detection performance of AIS target detection models. METHODS: In this retrospective study of AIS, we collected data from 316 AIS patients and created a multi-modality magnetic resonance imaging (MRI) dataset. We propose a Multi-Scale Attention-based YOLOv5 (MSA-YOLOv5), targeting challenges such as small lesion size and blurred borders at low resolutions. Specifically, we augment YOLOv5 with a prediction head to detect objects at various scales. Next, we replace the original prediction head with a Multi-Scale Swin Transformer Prediction Head (MS-STPH), which reduces computational complexity to linear levels and enhances the ability to detect small lesions. We incorporate a Second-Order channel attention (SOCA) module to adaptively rescale channel features by employing second-order feature statistics for more discriminative representations. Finally, we further validate the effectiveness of our method using the ISLES 2022 dataset. RESULTS: On our in-house AIS dataset, MSA-YOLOv5 achieves a 79.0% mAP0.5, substantially surpassing other single-stage models. Compared to two-stage models, it maintains a comparable performance level while significantly reducing the number of parameters and resolution. On the ISLES 2022 dataset, MSA-YOLOv5 attains an 80.0% mAP0.5, outperforming other network models by a considerable margin. MS-STPH and SOCA modules can significantly increase mAP0.5 by 2.7% and 1.9%, respectively. Visualization interpretability results show that the proposed MSA-YOLOv5 restricts high attention in the small regions of AIS lesions. CONCLUSIONS: The proposed MSA-YOLOv5 is capable of automatically and effectively detecting acute ischemic stroke lesions in multimodal images, particularly for small lesions and artifacts. Our enhanced model reduces the number of parameters while improving detection accuracy. This model can potentially assist radiologists in providing more accurate diagnosis, and enable clinicians to develop better treatment plans.