Ischemic Stroke Lesion Prediction in CT Perfusion Scans Using Multiple Parallel U-Nets Following by a Pixel-Level Classifier
Notice bibliographique
Résumé
It is critical to know what brain regions are affected by an ischemic stroke, as this enables doctors to make more effective decisions about stroke patient therapy. These regions are often identified by segmenting computed tomography perfusion (CTP) images. Previously, this task has been done manually by an expert. However, manual segmentation is an extremely tedious and time-consuming process, that is not suitable for ischemic stroke lesion segmentation as it is highly time sensitive. In addition, these approaches require an expert to do the segmentation task, who may not be available and are prone to errors. Several automatic medical image analysis methods have been proposed for ischemic stroke lesion segmentation. These approaches, typically, use hand-crafted features that are predefined to represent the input data. However, because of the irregular and physiologically shapes, ischemic stroke lesions cannot be properly predicted, in an automatic way, using simple predefined features. In this work, we propose an automatic prediction algorithm that learns an effective model for segmenting the ischemic stroke lesion. This learned model first uses four 2D U-Nets to, separately, extract valuable information about the location of the stroke lesion from four CTP maps (CBV, CBF, MTT, Tmax). The model then combines the probability maps extracted by the U-Nets, to decide whether the pixels are either lesion or healthy tissues. This approach uses information about each pixel, as well as its neighborhood, to learn the stroke lesion, despite their varying shapes. The segmentation performance is evaluated using dice similarity coefficient (DSC), volume similarity (VS), and Recall. We have used this new algorithm on ISLES 2018 challenge dataset and found that our approach achieved results that are better than state-of-the-art 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 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».