MRI-Based End-To-End Pediatric Low-Grade Glioma Segmentation and Classification
Notice bibliographique
Résumé
Purpose: MRI-based radiomics models can predict genetic markers in pediatric low-grade glioma (pLGG). These models usually require tumour segmentation, which is tedious and time consuming if done manually. We propose a deep learning (DL) model to automate tumour segmentation and build an end-to-end radiomics-based pipeline for pLGG classification. Methods: The proposed architecture is a 2-step U-Net based DL network. The first U-Net is trained on downsampled images to locate the tumour. The second U-Net is trained using image patches centred around the located tumour to produce more refined segmentations. The segmented tumour is then fed into a radiomics-based model to predict the genetic marker of the tumour. Results: Our segmentation model achieved a correlation value of over 80% for all volume-related radiomic features and an average Dice score of .795 in test cases. Feeding the auto-segmentation results into a radiomics model resulted in a mean area under the ROC curve (AUC) of .843, with 95% confidence interval (CI) [.78-.906] and .730, with 95% CI [.671-.789] on the test set for 2-class (BRAF V600E mutation BRAF fusion) and 3-class (BRAF V600E mutation BRAF fusion and Other) classification, respectively. This result was comparable to the AUC of .874, 95% CI [.829-.919] and .758, 95% CI [.724-.792] for the radiomics model trained and tested on the manual segmentations in 2-class and 3-class classification scenarios, respectively. Conclusion: The proposed end-to-end pipeline for pLGG segmentation and classification produced results comparable to manual segmentation when it was used for a radiomics-based genetic marker prediction model.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».