Deep Learning Based Shear Wave Detection and Segmentation Tool for Use in Point-of-Care for Chronic Liver Disease Assessments
Notice bibliographique
Résumé
OBJECTIVE: As metabolic dysfunction-associated steatotic liver disease (MASLD) becomes more prevalent worldwide, it is imperative to create more accurate technologies that make it easy to assess the liver in a point-of-care setting. The aim of this study is to test the performance of a new software tool implemented in Velacur (Sonic Incytes), a liver stiffness and ultrasound attenuation measurement device, on patients with MASLD. This tool employs a deep learning-based method to detect and segment shear waves in the liver tissue for subsequent analysis to improve tissue characterization for patient diagnosis. METHODS: This new tool consists of a deep learning based algorithm, which was trained on 15,045 expert-segmented images from 103 patients, using a U-Net architecture. The algorithm was then tested on 4429 images from 36 volunteers and patients with MASLD. Test subjects were scanned at different clinics with different Velacur operators. Evaluation was performed on both individual images (image based) and averaged across all images collected from a patient (patient based). Ground truth was defined by expert segmentation of the shear waves within each image. For evaluation, sensitivity and specificity for correct wave detection in the image were calculated. For those images containing waves, the Dice coefficient was calculated. A prototype of the software tool was also implemented on Velacur and assessed by operators in real world settings. RESULTS: The wave detection algorithm had a sensitivity of 81% and a specificity of 84%, with a Dice coefficient of 0.74 and 0.75 for image based and patient-based averages respectively. The implementation of this software tool as an overlay on the B-Mode ultrasound resulted in improved exam quality collected by operators. CONCLUSION: The shear wave algorithm performed well on a test set of volunteers and patients with metabolic dysfunction-associated steatotic liver disease. The addition of this software tool, implemented on the Velacur system, improved the quality of the liver assessments performed in a real world, point of care setting.
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 | 0,001 |
| 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) | 0,008 | 0,003 |
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 ».