Application of Automatic Segmentation on Super-Resolution Reconstruction MR Images of the Abnormal Fetal Brain
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Fetal brain MR imaging is clinically used to characterize fetal brain abnormalities. Recently, algorithms have been proposed to reconstruct high-resolution 3D fetal brain volumes from 2D slices. By means of these reconstructions, convolutional neural networks have been developed for automatic image segmentation to avoid labor-intensive manual annotations, usually trained on data of normal fetal brains. Herein, we tested the performance of an algorithm specifically developed for segmentation of abnormal fetal brains. MATERIALS AND METHODS: This was a single-center retrospective study on MR images of 16 fetuses with severe CNS anomalies (gestation, 21-39 weeks). T2-weighted 2D slices were converted to 3D volumes using a super-resolution reconstruction algorithm. The acquired volumetric data were then processed by a novel convolutional neural network to perform segmentations of white matter and the ventricular system and cerebellum. These were compared with manual segmentation using the Dice coefficient, Hausdorff distance (95th percentile), and volume difference. Using interquartile ranges, we identified outliers of these metrics and further analyzed them in detail. RESULTS: The mean Dice coefficient was 96.2%, 93.7%, and 94.7% for white matter and the ventricular system and cerebellum, respectively. The Hausdorff distance was 1.1, 2.3, and 1.6 mm, respectively. The volume difference was 1.6, 1.4, and 0.3 mL, respectively. Of the 126 measurements, there were 16 outliers among 5 fetuses, discussed on a case-by-case basis. CONCLUSIONS: Our novel segmentation algorithm obtained excellent results on MR images of fetuses with severe brain abnormalities. Analysis of the outliers shows the need to include pathologies underrepresented in the current data set. Quality control to prevent occasional errors is still needed.
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 | 0,001 |
| 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 | 0,000 |
| 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 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 ».