A deep learning and radiomics based Alberta stroke program early CT score method on CTA to evaluate acute ischemic stroke
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Alberta stroke program early CT score (ASPECTS) is a semi-quantitative evaluation method used to evaluate early ischemic changes in patients with acute ischemic stroke, which can guide physicians in treatment decisions and prognostic judgments. OBJECTIVE: We propose a method combining deep learning and radiomics to alleviate the problem of large inter-observer variance in ASPECTS faced by physicians and assist them to improve the accuracy and comprehensiveness of the ASPECTS. METHODS: Our study used a brain region segmentation method based on an improved encoding-decoding network. Through the deep convolutional neural network, 10 regions defined for ASPECTS will be obtained. Then, we used Pyradiomics to extract features associated with cerebral infarction and select those significantly associated with stroke to train machine learning classifiers to determine the presence of cerebral infarction in each scored brain region. RESULTS: The experimental results show that the Dice coefficient for brain region segmentation reaches 0.79. Three radioactive features are selected to identify cerebral infarction in brain regions, and the 5-fold cross-validation experiment proves that these 3 features are reliable. The classifier trained based on 3 features reaches prediction performance of AUC = 0.95. Moreover, the intraclass correlation coefficient of ASPECTS between those obtained by the automated ASPECTS method and physicians is 0.86 (95% confidence interval, 0.56-0.96). CONCLUSIONS: This study demonstrates advantages of using a deep learning network to replace the traditional template registration for brain region segmentation, which can determine the shape and location of each brain region more precisely. In addition, a new brain region classifier based on radiomics features has potential to assist physicians in clinical stroke detection and improve the consistency of ASPECTS.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 découle