CT-To-MR Conditional Generative Adversarial Networks for Ischemic Stroke\n Lesion Segmentation
Notice bibliographique
Résumé
Infarcted brain tissue resulting from acute stroke readily shows up as\nhyperintense regions within diffusion-weighted magnetic resonance imaging\n(DWI). It has also been proposed that computed tomography perfusion (CTP) could\nalternatively be used to triage stroke patients, given improvements in speed\nand availability, as well as reduced cost. However, CTP has a lower signal to\nnoise ratio compared to MR. In this work, we investigate whether a conditional\nmapping can be learned by a generative adversarial network to map CTP inputs to\ngenerated MR DWI that more clearly delineates hyperintense regions due to\nischemic stroke. We detail the architectures of the generator and discriminator\nand describe the training process used to perform image-to-image translation\nfrom multi-modal CT perfusion maps to diffusion weighted MR outputs. We\nevaluate the results both qualitatively by visual comparison of generated MR to\nground truth, as well as quantitatively by training fully convolutional neural\nnetworks that make use of generated MR data inputs to perform ischemic stroke\nlesion segmentation. Segmentation networks trained using generated CT-to-MR\ninputs result in at least some improvement on all metrics used for evaluation,\ncompared with networks that only use CT perfusion input.\n
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».