Interactive Hierarchical-Flow Segmentation of Scar Tissue From Late-Enhancement Cardiac MR Images
Notice bibliographique
Résumé
We propose a novel multi-region image segmentation approach to extract myocardial scar tissue from 3-D whole-heart cardiac late-enhancement magnetic resonance images in an interactive manner. For this purpose, we developed a graphical user interface to initialize a fast max-flow-based segmentation algorithm and segment scar accurately with progressive interaction. We propose a partially-ordered Potts (POP) model to multi-region segmentation to properly encode the known spatial consistency of cardiac regions. Its generalization introduces a custom label/region order constraint to Potts model to multi-region segmentation. The combinatorial optimization problem associated with the proposed POP model is solved by means of convex relaxation, for which a novel multi-level continuous max-flow formulation, i.e., the hierarchical continuous max-flow (HMF) model, is proposed and studied. We demonstrate that the proposed HMF model is dual or equivalent to the convex relaxed POP model and introduces a new and efficient hierarchical continuous max-flow based algorithm by modern convex optimization theory. In practice, the introduced hierarchical continuous max-flow based algorithm can be implemented on the parallel GPU to achieve significant acceleration in numerics. Experiments are performed in 50 whole heart 3-D LE datasets, 35 with left-ventricular and 15 with right-ventricular scar. The experimental results are compared to full-width-at-half-maximum and Signal-threshold to reference-mean methods using manual expert myocardial segmentations and operator variabilities and the effect of user interaction are assessed. The results indicate a substantial reduction in image processing time with robust accuracy for detection of myocardial scar. This is achieved without the need for additional region constraints and using a single optimization procedure, substantially reducing the potential for error.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».