Segmenting Hemorrhagic and Ischemic Infarct Simultaneously From Follow-Up Non-Contrast CT Images in Patients With Acute Ischemic Stroke
Notice bibliographique
Résumé
Cerebral infarct volume (CIV) measured from follow-up non contrast CT (NCCT) scans of acute ischemic stroke (AIS) patients is an important radiologic outcome measure of the effectiveness of ischemic stroke treatment. Post-treatment CIV in NCCT of AIS patients typically includes ischemic infarct only. In around 10% of AIS patients, however, hemorrhagic transformation or frank hemorrhage occurs along with ischemic infarction. Manual segmentation used to segment CIV into these two components in clinical practice is tedious and user dependent. Although automated segmentation methods exist, they can only segment either hemorrhage or ischemic infarct alone. In order to measure post-treatment CIV more efficiently, a novel joint segmentation approach is proposed to segment ischemic and hemorrhage infarct simultaneously. The proposed method makes use of advances in deep learning and convex optimization techniques. Specifically, convolutional neural network learned semantic information, local image context, and high-level user initialized prior are integrated into a multi-region time-implicit contour evolution scheme, which can be globally optimized by convex relaxation. The proposed segmentation approach is quantitatively evaluated using 30 patient images using Dice similarity coefficient and the mean and maximum absolute surface distance, compared to the gold standard of manual segmentation. The results show that the proposed semi-automatic segmentation is accurate and robust, outperforming some state-of-the-art semi-and automatic segmentation approaches.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».