Automated myocardial segmentation in native t1-mapping cardiovascular magnetic resonance images based on machine learning: a validation study in the UK biobank"s covid-19 subset
Notice bibliographique
Résumé
Abstract Funding Acknowledgements Type of funding sources: Public grant(s) – National budget only. Main funding source(s): Innovate UK Background Regional assessment of septal native T1 values with cardiovascular magnetic resonance (CMR) is used to characterise diffuse myocardial diseases. Previous studies suggest its potential role in detecting early pathological alterations, which may help identify high-risk subjects at early disease stages. Automated analysis of myocardial native T1 images may enable faster CMR analysis and reduce inter-observer variability of manual analysis. However, the technical performance of such methodologies has not been previously reported. Purpose We tested, in a subset of UK Biobank participants, the degree of agreement between CMR septal myocardial T1 values obtained from our machine learning (ML) algorithm and septal native T1 values computed from manual segmentations. Methods We analysed the first 292 participants who were tested for severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and had CMR imaging (1.5 Tesla, Siemens MAGNETOM Aera). T1 mapping was performed in a single mid-ventricular short axis (SAX) slice using ShMOLLI (WIP780B) sequences. Three experienced CMR readers independently measured native T1 values by manually placing a single region of interest (ROI) covering half of the anteroseptal and half of the inferoseptal wall using cvi42 post-processing software (version 5.11). A mean T1 value for each participant was then calculated. A ML algorithm developed by Circle Cardiovascular Imaging Inc. was then applied to the same images to derive the myocardium T1 values automatically. The algorithm was previously trained to segment myocardium from SAX T1 and non-T1 mapping images on two external CMR datasets. We compared the mean septal ROI T1 values to the mean myocardium T1 values predicted by the ML algorithm. Results Two studies were excluded after quality control. The ML-derived and the manually calculated mean T1 values were significantly correlated (r = 0.82, p < 0.001). The Bland-Altman analysis between the two methods showed a mean bias of 3.64 ms, with 95% limits of agreement of −38.88 to 53.46 ms, indicating good agreement (figure 1). Conclusions We demonstrated strong correlation and good agreement between native T1 values obtained from our automated analysis method and manual T1 septal analysis in a subset of UK Biobank participants. This algorithm may represent a valuable tool for clinicians allowing for fast and potentially less operator-dependent myocardial tissue characterisation. However, validation of more extensive datasets and quality control processes are needed.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».