Automated generation of cerebral blood flow and arterial transit time maps from multiple delay arterial spin‐labeled <scp>MRI</scp>
Notice bibliographique
Résumé
PURPOSE: Develop and evaluate a deep learning approach to estimate cerebral blood flow (CBF) and arterial transit time (ATT) from multiple post-labeling delay (PLD) ASL MRI. METHODS: ASL MRI were acquired with 6 PLDs on a 1.5T or 3T GE system in adults with and without cognitive impairment (N = 99). Voxel-level CBF and ATT maps were quantified by training models with distinct convolutional neural network architectures: (1) convolutional neural network (CNN) and (2) U-Net. Models were trained and compared via 5-fold cross validation. Performance was evaluated using mean absolute error (MAE). Model outputs were trained on and compared against a reference ASL model fitting after data cleaning. Minimally processed ASL data served as another benchmark. Model output uncertainty was estimated using Monte Carlo dropout. The better-performing neural network was subsequently re-trained on inputs with missing PLDs to investigate generalizability to different PLD schedules. RESULTS: Relative to the CNN, the U-Net yielded lower MAE on training data. On test data, the U-Net MAE was 8.4 ± 1.4 mL/100 g/min for CBF and 0.22 ± 0.09 s for ATT. A significant association was observed between MAE and Monte Carlo dropout-based uncertainty estimates. Neural network performance remained stable despite systematically reducing the number of input images (i.e., up to 3 missing PLD images). Mean processing time was 10.77 s for the U-Net neural network compared to 10 min 41 s for the reference pipeline. CONCLUSION: It is feasible to generate CBF and ATT maps from 1.5T and 3T multi-PLD ASL MRI with a fast deep learning image-generation 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 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».