Automated stroke lesion segmentation in non-contrast CT scans using dense multi-path contextual generative adversarial network
Notice bibliographique
Résumé
Stroke lesion volume is a key radiologic measurement in assessing prognosis of acute ischemic stroke (AIS) patients. The aim of this paper is to develop an automated segmentation method for accurately segmenting follow-up ischemic and hemorrhagic lesion from multislice non-contrast CT (NCCT) volumes of AIS patients. This paper proposes a 2D dense multi-path contextual generative adversarial network (MPC-GAN) where a dense multi-path 2D U-Net is utilized as the generator and a discriminator network is applied to regularize the generator. Contextual information (i.e. bilateral intensity difference, distance map and lesion location probability) are input into the generator and discriminator. The proposed method is validated separately on follow-up NCCT volumes of 60 patients with ischemic infarcts and NCCT volumes of 70 patients with hemorrhages. Quantitative results demonstrated that the proposed MPC-GAN method obtained a Dice coefficient (DC) of 70.6% for ischemic infarct segmentation and a DC of 76.5% for hemorrhage segmentation compared with manual segmented lesions, outperforming several benchmark methods. Additional volumetric analyses demonstrated that the MPC-GAN segmented lesion volume correlated well with manual measurements (Pearson correlation coefficients were 0.926 and 0.927 for ischemic infarcts and hemorrhages, respectively). The proposed MPC-GAN method can accurately segment ischemic infarcts and hemorrhages from NCCT volumes of AIS patients.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».