Enhanced Detection of White Matter Hyperintensities via Deep Learning-Enabled MR Imaging Segmentation
Notice bibliographique
Résumé
The segmentation of white matter abnormalities is crucial for the early diagnosis of cerebral diseases, which aids in minimizing the resultant physical and cognitive deficits.Automated segmentation methods are instrumental for the precise and early identification of white matter hyperintensities (WMH) from magnetic resonance (MR) images.In this investigation, datasets comprising ischemic stroke and WMH cases, imaged with the FLAIR (fluid-attenuated inversion recovery) MR sequence, were utilized due to their enhanced visibility of hyperintensities.For segmentation, the Mask R-CNN model, a sophisticated deep learning architecture, was finely adjusted to bolster its performance.Concurrently, the U-Net model, renowned for its efficacy in medical image segmentation, was employed.A comprehensive comparison of the two models' performance was conducted.Results demonstrate that the Mask R-CNN model achieved dice similarity coefficient (DSC) scores of 0.93 for the stroke dataset and 0.83 for the WMH dataset.The U-Net model yielded DSC scores of 0.92 and 0.82 for the respective datasets.These findings indicate an improvement over preceding studies in WMH segmentation accuracy utilizing the Mask R-CNN approach.It is concluded that automated WMH segmentation on MR images serves as a robust decision-support tool for clinicians during preliminary evaluations, although it should be noted that definitive disease detection necessitates the corroboration of clinical findings.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».