Segmentation of kidney ablation zone using deep learning in CT images
Notice bibliographique
Résumé
Kidney tumor thermal ablation procedures create an ablation zone that is planned to cover the tumor and destroy malignant cells. Incorrect identification of the margins of this zone can lead to incomplete treatment, increasing the risk of recurrence, or excessive damage to healthy tissue, leading to complications such as renal dysfunction. Thus, accurate segmentation of the Kidney Ablation Zone (KAZ) is vital for assessing the treatment's efficacy and planning further interventions if necessary. Despite the significant importance of this issue, no research has been conducted yet on the segmentation of KAZ. This research proposes an advanced deep learning-based approach utilizing the Attention U-Net architecture to segment KAZ and address this problem. The proposed workflow leverages the strengths of the U-Net architecture, improved with attention mechanisms, to enhance the network’s ability to focus on the most relevant regions of the images, thereby achieving appropriate segmentations. Our model was trained and evaluated on a local dataset from the London Health Sciences Centre (London, Canada) and comprised 76 patients' annotated ablation zones in kidney CT images. Quantitative analysis demonstrated that the Attention U-Net achieved promising performance metrics, including a 0.7 Dice similarity coefficient and a mean absolute boundary distance of 0.97 mm indicating its robustness and reliability in clinical settings. Furthermore, qualitative results showed that our approach effectively delineates ablation zones, providing clear and accurate boundaries critical for post-procedural assessment and planning.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».