ARIG-GCN: Anatomical Relationship and Isomorphic Graph Approximation Guided Graph Convolutional Network for Automated ASPECTS Scoring on Non-Contrast CT
Notice bibliographique
Résumé
The Alberta Stroke Program Early CT Score (AS-PECTS) is a systematic method for assessing the extent of early ischemic changes on non-contrast CT (NCCT) of patients with acute ischemic stroke (AIS). The ASPECTS regions are anatomically and physiologically interconnected, making them suitable for analysis by graph neural networks. However, most existing methods fail to effectively use the relationships and bilateral differences. This study designs an Anatomical Relationship and Isomorphic Graph approximation guided Graph Convolutional Network for ASPECTS scoring on NCCT. Firstly, we propose a node construction guided by anatomical structures, i.e., utilizing the region anatomical relationship adjacency matrix of the ASPECTS regions to build the nodes. Secondly, to optimize the information propagation among nodes, we propose isomorphic graph approximation, utilizing edge learning, connectivity-based subgraph selection, and supervised isomorphic subgraph approximation to supervise the construction of isomorphic subgraphs. We validate our method on private AIS datasets which included NCCT scans of 257 AIS patients. The results show that the proposed method achieves interclass correlation coefficients of 0.8554 for total ASPECTS, and accuracy of 90.61% for dichotomized ASPECTS scoring (4), outperforming 9 state-of-the-art 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 | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,001 | 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 ».