Image Processing Techniques for Analysis of Myocardial Fibrosis and Related Cardiomyopathies in Cardiac Magnetic Resonance Imaging
Notice bibliographique
Résumé
Myocardial fibrosis (MF) is a common feature of cardiac disease, characterized by excessive deposition of collagen (i.e., scar tissue) and expansion of the myocardial extracellular volume (ECV).This phenomenon contributes to cardiac dysfunction, promotes further cardiac disease, and has implication in preceding cardiac morbidity and mortality.The extent of myocardial MF can be analyzed globally (across the entire myocardial region) and/or regionally (across the fibrotic area exclusively) using cardiac magnetic resonance (CMR) imaging techniques, such as late gadolinium enhanced imaging or quantitative methods like native T1 and ECV mapping.CMR-based measurements of MF, native T1, and ECV allow for differentiation between various cardiac disease states and are shown to be clinically significant predictors of patient outcomes.However, in order to analyze tissue volumes or classify disease states, clinicians must first perform a manual tracing of the myocardial borders to define an initial region of interest (ROI), while regional MF quantification requires additional manual selection of a reference healthy myocardial tissue region.These manual processes are tedious, user-dependent, and highly prone to operator error, which can significantly confound resultant measures of T1, ECV and quantified MF tissue zones.Thus, alternative, minimally user-dependent techniques for MF, T1 and ECV quantification are appropriate.In this dissertation, several techniques for improving automated quantification of myocardial T1, ECV, and MF regions are presented.The proposed approaches presented in this document incorporate concepts from deep learning and image processing to achieve automated or semi-automated segmentation of the myocardium, MF, T1 and/or ECV in the left ventricle (LV) and left atrium (LA).
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,004 | 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 ».