Abstract 97: Development And Validation Of A Deep Machine Learning Tool For Automated Intraventricular Hemorrhage Segmentation And Volume Measurement Using 3d Convolutional Neural Networks
Notice bibliographique
Résumé
Introduction: Development of new intraventricular hemorrhage (IVH) within 24 hours of presentation or expansion of 1mL or more independently predicts poor outcome. Current methods for IVH volume estimation lack sufficient precision to detect this level of change. The best method of quantification with manual/semi-automated segmentation remain clinically impractical. We aimed to train and validate a convolutional neural network (CNN) to autonomously segment and quantify IVH volume in acute intracerebral hemorrhage (ICH) patients. Methods: Imaging data for training and validation was obtained from 3 international multicenter studies. IVH volumes were assessed using CNN, IVH Score (IVHS), Original Graeb Score (oGS), Modified Graeb Score (mGS), and manual segmentation using ITK-SNAP. Agreement between CNN volume and IVHS estimated volume compared to manual segmentation was assessed using intraclass correlation coefficient (ICC) and Bland-Altman charts. Accuracy of CNN segmentation was compared to manual segmentation with Dice similarity coefficient (DSC). Accuracy of hematoma expansion detection was assessed using receiver operating characteristic curves. Results: A total of 172 patients and 311 CT scans were included. Intra-rater reliability was significantly greater for CNN versus IVHS method (ICC 0.99 [95%CI 0.99 - 1.00] vs 0.76 [95%CI 0.66 - 0.83]). Accuracy of CNN segmentation was satisfactory (DSC 0.76 [95%CI 0.75 - 0.78]). Accuracy of hematoma expansion detection was substantially greater in CNN (AUC 0.91 [95%CI 0.85 - 0.97]) versus IVHS, oGS and mGS. Conclusion: Our results demonstrate that a fully automated CNN algorithm is capable of segmenting IVH volumes on multi-center data with higher intra-rater reliability and satisfactory accuracy over the current methods of IVH volume measurement tools. The algorithm has proven to be capable of detecting hematoma expansion with substantially greater accuracy over existing methods of IVH measurement.
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 | 0,003 | 0,004 |
| 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) | 0,003 | 0,002 |
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 ».