Ensemble U‐net‐based method for fully automated detection and segmentation of renal masses on computed tomography images
Notice bibliographique
Résumé
PURPOSE: Detection and accurate localization of renal masses (RM) are important steps toward future potential classification of benign vs malignant RM. A fully automated algorithm for detection and localization of RM may eliminate the observer variability in the clinical workflow. METHOD: In this paper, we describe a fully automated methodology for accurate detection and segmentation of RM from contrast-enhanced computed tomography (CECT) images. We first determine the boundaries of the kidneys on the CECT images utilizing a convolutional neural network-based method to be used as a region of interest to search for RM. We then employ a homogenous U-Net-based ensemble learning model to identify and delineate RM. We used an institutional dataset comprised of CECT images in 315 patients to train and evaluate the proposed method. We compared results of our method to those of three-dimensional (3D) U-Net for RM localization and further evaluated our algorithm using the kidney tumor segmentation (KiTS19) challenge dataset. RESULTS: The developed algorithm reported a Dice similarity coefficient (DSC) of 95.79% ± 5.16% and 96.25 ± 3.37 (mean ± standard deviation) for segmentation accuracy of kidney boundary from 125 and 60 test images from institutional and KiTS19 datasets, respectively. Using our method, RM were detected in 125 and 52 test cases, which corresponds to 100% and 86.67% sensitivity at patient level in institutional and KiTS19 test images. Our ensemble method for RM localization yielded a mean DSC of 88.65% ± 7.31% and 87.91% ± 6.82% on the institutional and KiTS19 test datasets, respectively. The mean DSC for RM delineation from CECT institutional test images using 3D U-Net was 85.95% ± 1.46%. CONCLUSION: We describe a method for automated localization of RM using CECT images. Our results are important in terms of clinical perspective as fully automated detection of RM is a fundamental step for further diagnosis of cystic vs solid RM and eventually benign vs malignant solid RM, that has not been reported previously.
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) | 0,000 | 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 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 ».