TAVI-PREP: A Deep Learning-Based Tool for Automated Measurements Extraction in TAVI Planning
Notice bibliographique
Résumé
BACKGROUND: Transcatheter aortic valve implantation (TAVI) is a less invasive alternative to open-heart surgery for treating severe aortic stenosis. Despite its benefits, the risk of procedural complications necessitates careful preoperative planning. METHODS: This study proposes a fully automated deep learning-based method, TAVI-PREP, for pre-TAVI planning, focusing on measurements extracted from computed tomography (CT) scans. The algorithm was trained on the public MM-WHS dataset and a small subset of private data. It uses MeshDeformNet for 3D surface mesh generation and a 3D Residual U-Net for landmark detection. TAVI-PREP is designed to extract 22 different measurements from the aortic valvular complex. A total of 200 CT-scans were analyzed, and automatic measurements were compared to the ones made manually by an expert cardiologist. A second cardiologist analyzed 115 scans to evaluate inter-operator variability. RESULTS: High Pearson correlation coefficients between the expert and the algorithm were obtained for most parameters (0.90-0.97), except for left and right coronary height (0.8 and 0.72, respectively). Similarly, the mean absolute relative error was within 5% for most measurements, except for left and right coronary height (11.6% and 16.5%, respectively). A greater consensus was observed among experts than when compared to the automatic approach, with TAVI-PREP showing no discernable bias towards either the lower or higher ends of the measurement spectrum. CONCLUSIONS: TAVI-PREP provides reliable and time-efficient measurements of the aortic valvular complex that could aid clinicians in the preprocedural planning of TAVI procedures.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».