Fully Automated Agatston score calculation from ECG gated Cardiac CT using Deep learning and Multiorgan Segmentation: A Validation study
Notice bibliographique
Résumé
Abstract Purpose : To evaluate deep learning-based calcium segmentation and quantification on ECG gated Cardiac CT scans compared with manual evaluation. Methods: Automated calcium quantification was performed using a combination of deep-learning convolution neural networks based on Mask R CNN for multiorgan segmentation. Calcifications were identified automatically, after which the algorithm automatically excluded all non-coronary calcifications using 2D erosion, dilation, volume, and maximum intensity threshold and by applying cardiac, aortic, and epicardial fat segmentation. This study used 40 patients to train and test the segmentation model. Results: 110 patients were tested for the validation of the algorithm. The Pearson correlation coefficient between the reference actual and the computed predictive scores on the test set show high level of correlation (0.84; p < 0.001) and high limits of agreement in Bland-Altman plot. The proposed method correctly classifies the risk group in 75.2% of the cases and classifies the subjects in the same group. 81% of the predictive scores lie in the same categories and only seven patients out of 110 were more than one category off. For the presence/absence of coronary artery calcifications, the deep learning model achieved a sensitivity of 90 % and a specificity of 94 %. Conclusion: Fully automated deep learning-based calcium quantification on cardiac-CTs shows good correlation compared to reference standards. Automating this process may reduce evaluation time and potentially optimize clinical calcium scoring without additional resources.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».