eICAB: A novel deep learning pipeline for Circle of Willis multiclass segmentation and analysis
Notice bibliographique
Résumé
BACKGROUND: The accurate segmentation, labeling and quantification of cerebral blood vessels on MR imaging is important for basic and clinical research, yet results are not generalizable, and often require user intervention. New methods are needed to automate this process. PURPOSE: To automatically segment, label and quantify Circle of Willis (CW) arteries on Magnetic Resonance Angiography images using deep convolutional neural networks. MATERIALS AND METHODS: MRA images were pooled from three public and private databases. A total of 116 subjects (mean age 56 years ± 21 [standard deviation]; 72 women) were used to make up the training set (N=101) and the testing set (N=15). In each image, fourteen arterial segments making up or surrounding the CW were manually annotated and validated by a clinical expert. Convolutional neural network (CNN) models were trained on a training set to be finally combined in an ensemble to develop eICAB. Model performances were evaluated using (1) quantitative analysis (dice score on test set) and (2) qualitative analysis (external datasets, N=121). The reliability was assessed using multiple MRAs of healthy participants (ICC of vessel diameters and volumes on test-retest). RESULTS: Qualitative analysis showed that eICAB correctly predicted the large, medium and small arteries in 99±0.4%, 97±1% and 88±7% of all images, respectively. For quantitative assessment, the average dice score coefficients for the large (ICAs, BA), medium (ACAs, MCAs, PCAs-P2), and small (AComm, PComm, PCAs-P1) vessels were 0.76±0.07, 0.76±0.08 and 0.41±0.27, respectively. These results were similar and, in some cases, statistically better (p<0.05) than inter-expert annotation variability and robust to image SNR. Finally, test-retest analysis showed that the model yielded high diameter and volume reliability (ICC=0.99). CONCLUSION: We have developed a quick and reliable open-source CNN-based method capable of accurately segmenting and labeling the CW in MRA images. This method is largely independent of image quality. In the future, we foresee this approach as a critical step towards fully automated analysis of MRA databases in basic and clinical research.
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».