Fully automatic segmentation of brain lacunas resulting from resective surgery using a 3D deep learning model
Notice bibliographique
Résumé
The rapid and constant development of deep learning (DL) strategies is pushing forward the quality of object segmentation in images from diverse fields of interest. In particular, these algorithms can be very helpful in delineating brain abnormalities (lesions, tumors, lacunas, etc), enabling the extraction of information such as volume and location, that can inform doctors or feed predictive models. Here, we describe ResectVol DL, a fully automatic tool developed to segment resective lacunas in brain images of patients with epilepsy. ResectVol DL relies on the nnU-Net framework that leverages the 3D U-Net deep learning architecture. T1-weighted MRI datasets from 120 patients (57 women; 31.5 ± 15.9 years old at surgery) were used to train (n=78) and test (n=48) our tool. Manual segmentations were carried out by five different raters and were considered as ground truth for performance assessment. We compared ResectVol DL with two other fully automatic methods: ResectVol 1.1.2 and DeepResection, using the Dice similarity coefficient (DSC), Pearson's correlation coefficient, and relative difference to manual segmentation. ResectVol DL presented the highest median DSC (0.92 vs. 0.78 and 0.90), the highest correlation coefficient (0.99 vs. 0.63 and 0.94), and the lowest median relative difference (9 vs. 44 and 12 %). Overall, we demonstrate that ResectVol DL accurately segments brain lacunas, which has the potential to assist in the development of predictive models for postoperative cognitive and seizure outcomes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».