Three-dimensional Deep Convolutional Neural Networks for Automated Myocardial Scar Quantification in Hypertrophic Cardiomyopathy: A Multicenter Multivendor Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Cardiac MRI late gadolinium enhancement (LGE) scar volume is an important marker for outcome prediction in patients with hypertrophic cardiomyopathy (HCM); however, its clinical application is hindered by a lack of measurement standardization. Purpose To develop and evaluate a three-dimensional (3D) convolutional neural network (CNN)-based method for automated LGE scar quantification in patients with HCM. Materials and Methods We retrospectively identified LGE MRI data in a multicenter (n = 7) and multivendor (n = 3) HCM study obtained between November 2001 and November 2011. A deep 3D CNN based on U-Net architecture was used for LGE scar quantification. Independent CNN training and testing data sets were maintained with a 4:1 ratio. Stacks of short-axis MRI slices were split into overlapping substacks that were segmented and then merged into one volume. The 3D CNN per-site and per-vendor performances were evaluated with respect to manual scar quantification performed in a core laboratory setting using Dice similarity coefficient (DSC), Pearson correlation, and Bland-Altman analyses. Furthermore, the performance of 3D CNN was compared with that of two-dimensional (2D) CNN. Results This study included 1073 patients with HCM (733 men; mean age, 49 years ± 17 [standard deviation]). The 3D CNN-based quantification was fast (0.15 second per image) and demonstrated excellent correlation with manual scar volume quantification (r = 0.88, P < .001) and ratio of scar volume to total left ventricle myocardial volume (%LGE) (r = 0.91, P < .001). The 3D CNN-based quantification strongly correlated with manual quantification of scar volume (r = 0.82–0.99, P < .001) and %LGE (r = 0.90–0.97, P < .001) for all sites and vendors. The 3D CNN identified patients with a large scar burden (>15%) with 98% accuracy (202 of 207) (95% confidence interval [CI]: 95%, 99%). When compared with 3D CNN, 2D CNN underestimated scar volume (r = 0.85, P < .001) and %LGE (r = 0.83, P < .001). The DSC of 3D CNN segmentation was comparable among different vendors (P = .07) and higher than that of 2D CNN (DSC, 0.54 ± 0.26 vs 0.48 ± 0.29; P = .02). Conclusion In the hypertrophic cardiomyopathy population, a three-dimensional convolutional neural network enables fast and accurate quantification of myocardial scar volume, outperforms a two-dimensional convolutional neural network, and demonstrates comparable performance across different vendors. © RSNA, 2019 Online supplemental material is available for this article.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle