Two-stage convolutional neural network for segmentation and detection of carotid web on CT angiography
Notice bibliographique
Résumé
BACKGROUND: Carotid web (CaW) is a risk factor for ischemic stroke, mainly in young patients with stroke of undetermined etiology. Its detection is challenging, especially among non-experienced physicians. METHODS: We included patients with CaW from six international trials and registries of patients with acute ischemic stroke. Identification and manual segmentations of CaW were performed by three trained radiologists. We designed a two-stage segmentation strategy based on a convolutional neural network (CNN). At the first stage, the two carotid arteries were segmented using a U-shaped CNN. At the second stage, the segmentation of the CaW was first confined to the vicinity of the carotid arteries. Then, the carotid bifurcation region was localized by the proposed carotid bifurcation localization algorithm followed by another U-shaped CNN. A volume threshold based on the derived CaW manual segmentation statistics was then used to determine whether or not CaW was present. RESULTS: , binary classification detection metrics for CaW on a single artery were as follows: accuracy: 92.2% (95% CI 87.93% to 96.55%), precision: 94.83% (95% CI 88.68% to 100.00%), sensitivity: 90.16% (95% CI 82.16% to 96.97%), specificity: 94.55% (95% CI 88.0% to 100.0%), F1 measure: 0.9244 (95% CI 0.8679 to 0.9692), area under the curve: 0.9235 (95%CI 0.8726 to 0.9688). CONCLUSIONS: The proposed two-stage method enables reliable segmentation and detection of CaW from head and neck CT angiography.
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 | 0,001 | 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 | 0,001 |
| 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 ».