Automated myocardial segmentation of extra-cellular volume mapping cardiac magnetic resonance images using fully convolutional neural networks
Notice bibliographique
Résumé
Extra-cellular volume (ECV) mapping cardiac magnetic resonance (CMR) imaging allows for the characterization of expanded myocardial extracellular space, a common feature of myocardial fibrosis (MF). Quantification of MF is feasible using ECV mapping techniques; however, prior manual delineation of the endocardial and epicardial borders is required. In this study, we propose a method for automated myocardial delineation of ECV maps using convolutional neural networks (CNNs). We compare two methods based on the standard U-Net and the U-Net++ architectures using a five-fold cross validation on basal, mid, and apical short-axis ECV maps of the left ventricle (LV) in 73 patients with ischemic (n=38) or dilated (n=35) cardiomyopathies. The standard U-Net and U-Net++ -based architectures yielded DSC metrics of 87.61% and 87.89%, respectively, against manual contours derived by an expert. Precision and recall were reported >85% and relative error <12% for both CNNs. The U-Net++ architecture outperformed the standard U-Net on the order of 1-2% for all metrics. An inter-operator variability analysis was performed on a subset of myocardial contours derived by three operators. The inter-operator analysis demonstrated significant differences in the distribution of myocardial ECV values among three operators as per the Kruskal-Wallis H-test (average pair-wise P-value = 0.040), but operator differences failed to show significance against U-Net++ or standard U-Net (average pair-wise P-value 0.055 and 0.060, respectively). Correlation of global ECV improved for operators against U-Net++ (𝜌=0.88) and against standard U-Net (𝜌=0.877) compared to correlation of global ECV values between all operators (ρ=0.828).
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».