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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».