Extraction of a vascular function for a fully automated dynamic contrast‐enhanced magnetic resonance brain image processing pipeline
Notice bibliographique
Résumé
PURPOSE: To develop a deep-learning model that leverages the spatial and temporal information from dynamic contrast-enhanced magnetic resonance (DCE MR) brain imaging in order to automatically estimate a vascular function (VF) for quantitative pharmacokinetic (PK) modeling. METHODS: ). A region over the transverse sinus was manually drawn in the dynamic T1-weighted images to provide a ground truth VF. The manual regions and their resulting VF curves were used to train a deep-learning model based on a 3D U-net architecture. The model concurrently utilized the spatial and temporal information in DCE MR images to predict the VF. In order to analyze the contribution of the spatial and temporal terms, different weighted combinations were examined. The manual and deep-learning predicted regions and VF curves were compared. RESULTS: Forty-three patients were enrolled in this study and 155 DCE MR scans were processed. The 3D U-net was trained using a loss function that combined the spatial and temporal information with different weightings. The best VF curves were obtained when both spatial and temporal information were considered. The predicted VF curve was similar to the manual ground truth VF curves. CONCLUSION: The use of spatial and temporal information improved VF curve prediction relative to when only the spatial information is used. The method generalized well for unseen data and can be used to automatically estimate a VF curve suitable for quantitative PK modeling. This method allows for a more efficient clinical pipeline and may improve automation of permeability mapping.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,002 | 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 ».