Automated Detection and Diameter Estimation for Mouse Mesenteric Artery Using Semantic Segmentation
Notice bibliographique
Résumé
BACKGROUND: Pressurized myography is useful for the assessment of small artery structures and function. However, this procedure requires technical expertise for sample preparation and effort to choose an appropriate sized artery. In this study, we developed an automatic artery/vein differentiation and a size measurement system utilizing machine learning algorithms. METHODS AND RESULTS: We used 654 independent mouse mesenteric artery images for model training. The model yielded an Intersection-over-Union of 0.744 ± 0.031 and a Dice coefficient of 0.881 ± 0.016. The vessel size and lumen size calculated from the predicted vessel contours demonstrated a strong linear correlation with manually determined vessel sizes (R = 0.722 ± 0.048, p < 0.001 for vessel size and R = 0.908 ± 0.027, p < 0.001 for lumen size). Last, we assessed the relation between the vessel size before and after dissection using a pressurized myography system. We observed a strong positive correlation between the wall/lumen ratio before dissection and the lumen expansion ratio (R = 0.832, p < 0.01). Using multivariate binary logistic regression, 2 models estimating whether the vessel met the size criteria (lumen size of 160-240 μm) were generated with an area under the receiver operating characteristic curve of 0.761 for the upper limit and 0.747 for the lower limit. CONCLUSION: The U-Net-based image analysis method could streamline the experimental approach.
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 | 0,001 | 0,001 |
| 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 ».