Deep learning-based cerebral aneurysm segmentation and morphological analysis with three-dimensional rotational angiography
Notice bibliographique
Résumé
BACKGROUND: The morphological assessment of cerebral aneurysms based on cerebral angiography is an essential step when planning strategy and device selection in endovascular treatment, but manual evaluation by human raters only has moderate interrater/intrarater reliability. METHODS: We collected data for 889 cerebral angiograms from consecutive patients with suspected cerebral aneurysms at our institution from January 2017 to October 2021. The automatic morphological analysis model was developed on the derivation cohort dataset consisting of 388 scans with 437 aneurysms, and the performance of the model was tested on the validation cohort dataset consisting of 96 scans with 124 aneurysms. Five clinically important parameters were automatically calculated by the model: aneurysm volume, maximum aneurysm size, neck size, aneurysm height, and aspect ratio. RESULTS: On the validation cohort dataset the average aneurysm size was 7.9±4.6 mm. The proposed model displayed high segmentation accuracy with a mean Dice similarity index of 0.87 (median 0.93). All the morphological parameters were significantly correlated with the reference standard (all P<0.0001; Pearson correlation analysis). The difference in the maximum aneurysm size between the model prediction and reference standard was 0.5±0.7 mm (mean±SD). The difference in neck size between the model prediction and reference standard was 0.8±1.7 mm (mean±SD). CONCLUSION: The automatic aneurysm analysis model based on angiography data exhibited high accuracy for evaluating the morphological characteristics of cerebral aneurysms.
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 | 0,001 |
| Bibliométrie | 0,001 | 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 ».