Abstract
携帯型CTスキャナは、病院外および低資源環境における脳卒中の早期検出を可能にしますが、放射線量を減らす必要があり、その結果として診断の信頼性を低下させるノイズが生じます。私たちは、モバイルな臨床環境でのAI支援トリアージを目的として、シミュレーションした低線量CT（LDCT）脳スキャンから脳卒中を分類するための深層学習フレームワークを提示します。制御されたポアソンノイズを、高線量CT画像に適用して、現実的なLDCT条件を模擬します。
2つのパイプラインを比較します：（1）ノイズを含むLDCT画像の直接分類、（2）除去（デノイジング）後に分類。性能は、精度、感度、AUCを用いて複数の線量レベルにわたって評価します。デノイジングは知覚的な画像品質を向上させますが、分類の改善には一貫してつながりません。いくつかの条件では、直接分類のほうが感度が高くなり、知覚品質と診断有用性の間のトレードオフが示されます。
最良の「デノイズしてから分類（denoise-then-classify）」パイプラインは、中程度の線量レベルで0.94のAUCと0.91の精度を達成し、選択された症例において直接分類を最大6%上回ります。本研究は、出血性脳卒中データ（RSNAデータセット）を用いたLDCT脳卒中トリアージの再現可能なベースラインを確立するとともに、虚血性コホートおよび実世界の携帯型CTシステムでの検証が必要であることを示します。
