Abstract 15522: Segmentation Improves Deep Learning Accuracy for Differentiating Non-Ischemic and Ischemic Cardiomyopathy Using Cardiac Mri Cine Imaging
Notice bibliographique
Résumé
Background: Deep learning (DL) models typically interpret images without prior knowledge of anatomic significance. However, pathophysiology is highly classified by human definitions according to underlying affected anatomy. Therefore, we examine the impact of introducing explicit knowledge of anatomy through cardiac contours on cardiac magnetic resonance images (CMR) to DL models. The DL models were then trained to differentiate between ischemic cardiomyopathy (ICM) and non-ischemic cardiomyopathy (NICM) using late gadolinium enhanced (LGE) CMR. Method: We evaluated 301 CMR studies; ICM (n=176) and NICM (n=125). Manual contouring of LGE images was performed using CVI42 (Circle, Ontario). We compared a radiomic and end-to-end DL approach to identify cardiomyopathy (CM) etiology from short axis LGE images. Patients are randomly assigned to training (70%) and testing (30%). Model performance was assessed with area under curve (AUC). Result: Table 1 shows the results of radiomic and deep learning approaches to differentiate NICM and ICM. Segmented/manually contoured images with removal of non-cardiac structures greatly improved classification accuracy across all deep learning models. The average improvement in AUC was 0.163 when using segmented images compared to the full images. Furthermore, the deep learning models outperformed the radiomics models. The best radiomic model and deep learning model achieved AUCs of 0.914 and 0.947, respectively. Both radiomic based models achieved AUCs above 0.874 while all 2D deep learning models with segmented images achieved AUCs above 0.875. The two 3D deep learning models which utilize 3D convolutions provided lower AUCs ranging between 0.743 and 0.900. Conclusion: Manual segmentation of LGE images improved the ability to train DL models with fairly small volumes of labeled data, resulting in higher classification accuracy. Table1 AUCs of various models.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».