Accurate fully automated assessment of left ventricle, left atrium, and left atrial appendage function from computed tomography using deep learning
Notice bibliographique
Résumé
Abstract Aims Assessment of cardiac function is essential for diagnosis and treatment planning in cardiovascular disease. Volume of cardiac regions and the derived measures of stroke volume (SV) and ejection fraction (EF) are most accurately calculated from imaging. This study aims to develop a fully automatic deep learning approach for calculation of cardiac function from computed tomography (CT). Methods and results Time-resolved CT data sets from 39 patients were used to train segmentation models for the left side of the heart including the left ventricle (LV), left atrium (LA), and left atrial appendage (LAA). We compared nnU-Net, 3D TransUNet, and UNETR. Dice Similarity Scores (DSS) were similar between nnU-Net (average DSS = 0.91) and 3D TransUNet (DSS = 0.89) while UNETR performed less well (DSS = 0.69). Intra-class correlation analysis showed nnU-Net and 3D TransUNet both accurately estimated LVSV (ICCnnU-Net = 0.95; ICC3DTransUNet = 0.94), LVEF (ICCnnU-Net = 1.00; ICC3DTransUNet = 1.00), LASV (ICCnnU-Net = 0.91; ICC3DTransUNet = 0.80), LAEF (ICCnnU-Net = 0.95; ICC3DTransUNet = 0.81), and LAASV (ICCnnU-Net = 0.79; ICC3DTransUNet = 0.81). Only nnU-Net significantly predicted LAAEF (ICCnnU-Net = 0.68). UNETR was not able to accurately estimate cardiac function. Time to convergence during training and time needed for inference were both faster for 3D TransUNet than for nnU-Net. Conclusion nnU-Net outperformed two different vision transformer architectures for the segmentation and calculation of function parameters for the LV, LA, and LAA. Fully automatic calculation of cardiac function parameters from CT using deep learning is fast and reliable.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».