Real-time mitral annulus segmentation from 4D transesophageal echocardiography using deep learning regression
Notice bibliographique
Résumé
Segmentation of the mitral annulus is an important step in many cardiac applications. Current methods to delineate the mitral annulus often require extensive user interaction. Several methods have been proposed to automate mitral annulus segmentation, but often use methods which require sampling 2D planes from the 3D volume, discarding some of the contextual information contained in the original 3D volume. We propose a new 4D mitral annulus segmentation method based on 3D CNN regression of Fourier coefficients describing the shape of predicted annulus. Our model predicts a set of ten coefficients for each of the three image axes, which can then be used to sample annulus coordinates through the inverse Fourier transform. We acquired a dataset of 90 cases from diagnostic imaging of mitral valve patients, with corresponding annulus segmentations. This was split into training, validation and test sets of 75, 5, and 10 cases respectively. Following training, our model achieves a curve-to-curve accuracy of 5.5 ± 2.2 mm on the test set, with training accuracy of 0.46 ± 0.21 mm. Our model achieves accuracy similar to current state-of-the-art methods, and can achieve inference speed of 40 frames-per-second, which is suitable for use in real-time image guidance applications.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».