Fully automated cascaded approach for renal mass detection on T2 weighted MRI images
Notice bibliographique
Résumé
Due to the superior soft tissue contrast in magnetic resonance imaging (MRI), MRI may be well suited for renal mass characterization (e.g., benign vs. malignant). Though renal mass detection and characterization using deeplearning (DL) methods have been extensively studied for CT images, those same tasks are yet to be investigated on MR images. Existing algorithms for renal mass characterization require manual segmentation, therefore development of algorithms to localize and detect renal masses is important fully automatically. In this study, we developed a DL-based fully automated renal mass detection model on T2- weighted (T2W) images. In a cascaded approach, we initially segmented kidneys as a region-of-interest (ROI) using 2D U-Net model, then renal masses were detected on segmented kidneys using 2D U-Net convolutional neural network (CNN) model. We trained our model on randomly selected 80% of dataset using 5-fold cross-validation technique and evaluated on remaining 20% test cases for renal mass detection. Our T2W MRI dataset contained 108 patients with malignant (renal cell carcinoma- clear cell, papillary and chromophobe) and benign (fat poor angiomyolipoma-fpAML, oncocytomas) renal masses. The U-Net model for renal mass detection generated Dice similarity coefficient (DSC) of 90.00 ± 6.00 % (mean ± standard deviation). When localized kidneys evaluated on U-Net renal mass detection model yielded a sensitivity/recall, and specificity of 76.49% and 86.55%, respectively. Thus, our proposed fully automated cascaded approach has potential to be used as the first step in renal mass characterization study on T2W MRI images.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».