Abstract 16082: Machine Learning to Improve Left Ventricular Scar Quantification in Hypertrophic Cardiomyopathy Patients
Notice bibliographique
Résumé
Introduction: Accurate and reproducible scar quantification of late gadolinium enhancement (LGE) images from cardiac magnetic resonance imaging (CMR) is important in risk stratifying hypertrophic cardiomyopathy (HCM) patients. Previous machine learning algorithms for CMR LGE quantification deployed three-dimensional convolutional neural network (CNN) architecture, which required image cropping and custom graphic processing units (GPUs) to function, thus limiting their general applicability. We aim to develop a deep two-dimensional (2D) CNN model that contours the left ventricle (LV) endo- and epicardial borders and quantifies LGE. Hypothesis: We hypothesize that a deep 2D CNN model, which uses commercially available GPUs, could be used to efficiently and accurately contour LV endo- and epicardial borders and quantify CMR LGE in HCM patients. Methods: We retrospectively studied 296 HCM patients (2423 images) from the University Health Network (Toronto, Canada) and Tufts Medical Center (Boston, USA). LGE images were manually segmented by an expert reader. Scar was defined as 5 standard deviations higher than the mean of the annotated normal region pixels. A 2D U-net CNN variant was used to train a model on 80% of the datasets. Testing was performed on the remaining 20%. We applied a 5-folds cross validation algorithm for training to improve model robustness. Model performance was assessed using the Dice Similarity Coefficient (DSC). Results: We were able to develop a deep learning model that could successfully perform both LV segmentation and scar quantification using a generally available GPU card. Our algorithm did not require image cropping and processed one image every 60 milliseconds. DSC scores averaged across the 5-folds was excellent at 0.89+0.22 for the endocardium and 0.81+0.17 for the epicardium, and good at 0.57+0.31 for scar. Conclusions: Using novel 2D CNN methods, we have successfully developed an automatic algorithm that rapidly provides LV endo- and epicardial contours and scar quantification on LGE CMR images that is superior to previously published studies. Unlike previous algorithms, our program does not require the use of custom CPUs or image cropping, potentially allowing it to be integrated into routine clinical practice.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| 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 ».