A Deep Learning Segmentation Pipeline for Cardiac T1 Mapping Using MRI Relaxation–based Synthetic Contrast Augmentation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose To design and evaluate an automated deep learning method for segmentation and analysis of cardiac MRI T1 maps with use of synthetic T1-weighted images for MRI relaxation–based contrast augmentation. Materials and Methods This retrospective study included MRI scans acquired between 2016 and 2019 from 100 patients (mean age ± SD, 55 years ± 13; 72 men) across various clinical abnormalities with use of a modified Look-Locker inversion recovery, or MOLLI, sequence to quantify native T1 (T1native), postcontrast T1 (T1post), and extracellular volume (ECV). Data were divided into training (n = 60) and internal (n = 40) test subsets. “Synthetic” T1-weighted images were generated from the T1 exponential inversion-recovery signal model at a range of optimal inversion times, yielding high blood-myocardium contrast, and were used for contrast-based image augmentation during training and testing of a convolutional neural network for myocardial segmentation. Automated segmentation, T1, and ECV were compared with experts with use of Dice similarity coefficients (DSCs), correlation coefficients, and Bland-Altman analysis. An external test dataset (n = 147) was used to assess model generalization. Results Internal testing showed high myocardial DSC relative to experts (0.81 ± 0.08), which was similar to interobserver DSC (0.81 ± 0.08). Automated segmental measurements strongly correlated with experts (T1native, R = 0.87; T1post, R = 0.91; ECV, R = 0.92), which were similar to interobserver correlation (T1native, R = 0.86; T1post, R = 0.94; ECV, R = 0.95). External testing showed strong DSC (0.80 ± 0.09) and T1native correlation (R = 0.88) between automatic and expert analysis. Conclusion This deep learning method leveraging synthetic contrast augmentation may provide accurate automated T1 and ECV analysis for cardiac MRI data acquired across different abnormalities, centers, scanners, and T1 sequences. Keywords: MRI, Cardiac, Tissue Characterization, Segmentation, Convolutional Neural Network, Deep Learning Algorithms, Machine Learning Algorithms, Supervised Learning Supplemental material is available for this article. © RSNA, 2022
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle