Deep learning prediction of stroke thrombus red blood cell content from multiparametric MRI
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Thrombus red blood cell (RBC) content has been shown to be a significant factor influencing the efficacy of acute ischemic stroke treatment. In this study, our objective was to evaluate the ability of convolutional neural networks (CNNs) to predict ischemic stroke thrombus RBC content using multiparametric MR images. MATERIALS AND METHODS: *, quantitative susceptibility mapping and late-echo GRE magnitude image slices were used to train and test a 3-layer CNN through cross-validation. Data augmentation techniques involving input equalization and random image transformation were employed to improve network performance. The network was assessed for its ability to quantitatively predict RBC content and to classify thrombi into RBC-rich and RBC-poor groups. RESULTS: The CNN predicted thrombus RBC content with an accuracy of 62% (95% CI 48-76%) when trained on the original dataset and improved to 72% (95% CI 60-84%) on the augmented dataset. The network classified thrombi as RBC-rich or poor with an accuracy of 71% (95% CI 58-84%) and an area under the curve of 0.72 (95% CI 0.57-0.87) when trained on the original dataset and improved to 80% (95% CI 69-91%) and 0.84 (95% CI 0.73-0.95), respectively, on the augmented dataset. CONCLUSIONS: The CNN was able to accurately predict thrombus RBC content using multiparametric MR images, and could provide a means to guide treatment strategy in acute ischemic stroke.
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) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».