A fully automated pipeline for the extraction of pectoralis muscle area from chest computed tomography scans
Notice bibliographique
Résumé
Background Computed tomography (CT)-derived pectoralis muscle area (PMA) measurements are prognostic in people with or at-risk of COPD, but fully automated PMA extraction has yet to be developed. Our objective was to develop and validate a PMA extraction pipeline that can automatically: 1) identify the aortic arch slice; and 2) perform pectoralis segmentation at that slice. Methods CT images from the Canadian Cohort of Obstructive Lung Disease (CanCOLD) study were used for pipeline development. Aorta atlases were used to automatically identify the slice containing the aortic arch by group-based registration. A deep learning model was trained to segment the PMA. The pipeline was evaluated in comparison to manual segmentation. An external dataset was used to evaluate generalisability. Model performance was assessed using the Dice–Sorensen coefficient (DSC) and PMA error. Results In total 90 participants were used for training (age 67.0±9.9 years; forced expiratory volume in 1 s (FEV 1 ) 93±21% predicted; FEV 1 /forced vital capacity (FVC) 0.69±0.10; 47 men), and 32 for external testing (age 68.6±7.4 years; FEV 1 65±17% predicted; FEV 1 /FVC 0.50±0.09; 16 men). Compared with manual segmentation, the deep learning model achieved a DSC of 0.94±0.02, 0.94±0.01 and 0.90±0.04 on the true aortic arch slice in the train, validation and external test sets, respectively. Automated aortic arch slice detection obtained distance errors of 1.2±1.3 mm and 1.6±1.5 mm on the train and test data, respectively. Fully automated PMA measurements were not different from manual segmentation (p>0.05). PMA measurements were different between people with and without COPD (p=0.01) and correlated with FEV 1 % predicted (p<0.05). Conclusion A fully automated CT PMA extraction pipeline was developed and validated for use in research and clinical practice.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».