Artificial intelligence for automatic cerebral ventricle segmentation and volume calculation: a clinical tool for the evaluation of pediatric hydrocephalus
Notice bibliographique
Résumé
OBJECTIVE: Imaging evaluation of the cerebral ventricles is important for clinical decision-making in pediatric hydrocephalus. Although quantitative measurements of ventricular size, over time, can facilitate objective comparison, automated tools for calculating ventricular volume are not structured for clinical use. The authors aimed to develop a fully automated deep learning (DL) model for pediatric cerebral ventricle segmentation and volume calculation for widespread clinical implementation across multiple hospitals. METHODS: The study cohort consisted of 200 children with obstructive hydrocephalus from four pediatric hospitals, along with 199 controls. Manual ventricle segmentation and volume calculation values served as "ground truth" data. An encoder-decoder convolutional neural network architecture, in which T2-weighted MR images were used as input, automatically delineated the ventricles and output volumetric measurements. On a held-out test set, segmentation accuracy was assessed using the Dice similarity coefficient (0 to 1) and volume calculation was assessed using linear regression. Model generalizability was evaluated on an external MRI data set from a fifth hospital. The DL model performance was compared against FreeSurfer research segmentation software. RESULTS: Model segmentation performed with an overall Dice score of 0.901 (0.946 in hydrocephalus, 0.856 in controls). The model generalized to external MR images from a fifth pediatric hospital with a Dice score of 0.926. The model was more accurate than FreeSurfer, with faster operating times (1.48 seconds per scan). CONCLUSIONS: The authors present a DL model for automatic ventricle segmentation and volume calculation that is more accurate and rapid than currently available methods. With near-immediate volumetric output and reliable performance across institutional scanner types, this model can be adapted to the real-time clinical evaluation of hydrocephalus and improve clinician workflow.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».