Scribble-based weakly supervised method for segmentation of neonatal cerebral ventricles from 3D ultrasound images
Notice bibliographique
Résumé
Compared to conventional two-dimensional (2D) ultrasound, three-dimensional (3D) ultrasound (US) images are a more sensitive alternative for monitoring the size and shape of neonatal cerebral lateral ventricles for monitoring intraventricular hemorrhaging (IVH). The ventricles must be segmented by an expert to estimate the ventricular volume, which can be time-consuming and difficult to obtain. In this paper, we describe a scribble-based weakly supervised segmentation method that trains only on non-expert drawn scribbles. We trained and tested two segmentation methods, a vanilla 3D U-Net benchmark and a weakly supervised learning for medical image segmentation (WSL4MIS) method built into the 3D U-Net model, using 56 3D US images. We performed two experiments, the first where models were trained, validated, and tested on 25/5/15 images respectively, and a second where models were trained, validated, and tested on 36/5/15 images respectively. For the first experiment, the 3D U-Net and WSL4MIS achieved a mean ± standard deviation and Dice similarity coefficients (DSC) of 40.4±9.4% and 42.8±7.9%, respectively. The second experiment yielded a DSC of 40.4±7.2% and 44.8±9.5% for 3D U-Net and WSL4MIS, respectively. For both experiments, the WSL4MIS method had a higher mean DSC and lower standard deviation than the baseline 3D U-Net when both used scribbles for training. When trained on 36 images and scribbles, the WSL4MIS achieved statistically significant DSC values compared to the 3D U-Net model based on the Wilcoxon signed-rank test.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».