Segmentation of Carotid Arteries From Three-Dimensional Black-Blood Magnetic Resonance Imaging With Sparse Annotation Using a Multi-Dimensional Hybrid Model
Notice bibliographique
Résumé
Quantification of carotid atherosclerosis is important in monitoring patients at risk of cardiovascular events and in evaluating therapies. High-resolution 3D carotid magnetic resonance imaging (MRI) has been developed to provide extended coverage of the carotid arteries. However, the extended coverage poses a challenge as several hundreds of 2D axial images are required to be segmented for analysis. We propose a multi-dimensional hybrid framework that requires only a sparse set of manual segmentation. Dense surrogate ground truth boundaries required to train the framework are automatically generated by propagating the sparse manual segmentation using the proposed region of interest (ROI) U-Net. Furthermore, the Point U-Net was developed to generate surrogate ground truth for carotid branches without manual segmentation. The proposed framework leverages the advantages of 3D and 2D convolution neural networks (CNNs) to segment the outer wall and lumen from 3D MRI. The 3D multiscale U-Net provides a rough outer wall segmentation, which serves as the ROI to guide outer wall and lumen segmentation by the 2D ROI U-Net. The 3D Multiscale U-Net localizes the ROI automatically, bypassing the need for manual ROI identification. The 3D Multiscale U-Net was further improved by a 3D inception module installed at the bottleneck and the novel loss functions that promote longitudinal continuity and minimize the overlap of the internal and external carotid arteries. Extensive evaluation on the publicly available Carotid Artery Vessel Wall Segmentation challenge dataset shows that our approach outperforms the top-ranked solution in the challenge and state-of-the-art segmentation methods.
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 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».