Automatic arterial input function selection in CT and MR perfusion datasets using deep convolutional neural networks
Notice bibliographique
Résumé
PURPOSE: The computation of perfusion parameter images requires knowledge of the arterial blood flow in the form of an arterial input function (AIF). This work proposes a novel method to automatically identify AIFs in computed tomography perfusion (CTP) and dynamic susceptibility contrast perfusion-weighted MRI (PWI) datasets using a deep convolutional neural network (CNN). METHODS: One-hundred CTP and 100 PWI datasets of acute ischemic stroke patients were available for model development and evaluation. For each modality, 50 datasets were used for CNN training and 20 for validation using manually selected AIFs and non-arterial tissue concentration time curves. Model evaluation was performed using the remaining 30 independent validation datasets from each modality with manual AIF selections provided by two experts as ground truth. Additionally, AIFs were also extracted using an established automatic shape-based algorithm for comparison purposes. The extracted AIFs were compared using normalized cross-correlation and shape features as well as using the Dice similarity metric and volume of the corresponding hypoperfusion (Tmax > 6 s) lesions. RESULTS: The cross-correlation values comparing the manual AIFs and those extracted by the proposed CNN method were significantly greater than those comparing the manual AIFs to the shape-based comparison method. Likewise, hypoperfusion lesions generated using the manually selected AIFs and CNN-based AIFs showed higher Dice values compared to hypoperfusion lesions generated using the comparison AIF extraction method. Shape features for AIFs generated by the proposed method did not differ significantly from the manual AIFs, with the exception that the CNN-derived AIFs for the PWI datasets showed marginally greater peak heights. CONCLUSION: Deep convolutional neural network models are viable for the automatic extraction of the AIF from CTP and PWI datasets.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».