Automated fibrosis segmentation from wideband post‐contrast T1∗$$ {T}_1^{\ast } $$ mapping in an animal model of ischemic heart disease with implantable cardioverter‐defibrillators
Notice bibliographique
Résumé
PURPOSE: maps with an ICD present and compare it to manually tuned thresholding of synthetic LGE images with an ICD present and standard LGE without an ICD present. METHODS: Seven swine received an ischemia-reperfusion myocardial infarction and were imaged at 3 T 4-5 weeks post-infarct with and without an ICD. Mapping-based thresholding was performed using synthetic LGE and artifact-corrected cluster-thresholding methods, both employing connected component filtering. Standard pixel signal intensity thresholding was performed on the conventional LGE without an ICD. Volumetric accuracy is relative to conventional LGE and Dice similarity between SynLGE and cluster-based segmentations were evaluated. RESULTS: No statistical significance was observed between LGE volumes without an ICD and both SynLGE and artifact-corrected cluster-threshold volumes with an ICD, when using connected component filtering. Additionally, Dice alignment between SynLGE and cluster-thresholding was high for healthy myocardium (0.96), dense scar (0.83), and dense scar union gray zone (0.91) when artifact correction and connected component filtering were implemented. CONCLUSION: maps holds promise for a reproducible approach to scar segmentation in the presence of ICDs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 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 ».