3D Semantic Segmentation of Airway Abnormalities on UTE-MRI with Reinforcement Learning on Deep Supervision
Notice bibliographique
Résumé
Cystic fibrosis (CF) monitoring traditionally relies on CT scans, which involve radiation exposure concerns. Ultra-short echo time (UTE) MRI has emerged as a promising radiation-free alternative for lung imaging. However, automated segmentation of CF lesions on UTE MRI has not been reported yet, mainly due to lower signal-to-noise ratio and contrast compared to CT. This study evaluates the feasibility of fully automated semantic segmentation of three main hallmarks of CF: bronchiectasis, bronchial wall thickening, and bronchial mucus. To address the challenges of low proton MRI signal and resolution, we propose a novel Reinforcement learning for deep Supervision adapted to nnU-Net (RiSeNet). This approach enhances the standard nnU-Net by dynamically adjusting deep supervision weights during training through reinforcement learning. We compare RiSeNet against both the baseline nnU-Net and selected state-of-the-art architectures: SAMed and nnSAM for global context modeling, MedNeXt for large-scale feature capture, and U-Mamba for efficient volumetric processing. All models were evaluated using registered same-day CT-derived ground truth labels. Results demonstrate RiSeNet's superior performance in both accuracy and efficiency when handling the unique challenges of UTE MRI segmentation.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 ».