A nnU-Net-based automatic segmentation of FCD type II lesions in 3D FLAIR MRI images
Notice bibliographique
Résumé
Focal cortical dysplasia (FCD) type II is a common cause of epilepsy and is challenging to detect due to its similarities with other brain conditions. Finding these lesions accurately is essential for successful surgery and seizure control. Manual detection is slow and challenging because the MRI features are subtle. Deep learning, especially convolutional neural networks, has shown great potential in automating image classification and segmentation by learning and extracting features. The nnU-Net framework is known for its ability to adapt its settings, including preprocessing, network design, training, and post-processing, to any new medical imaging task. This study employs an automated slice selection approach that ranks axial FLAIR slices by their peak voxel intensity and retains the five highest-ranked slices per scan, thereby focusing the network on lesion-rich slices and uses nnU-Net to automate the segmentation of FCD type II lesions on 3D FLAIR MRI images. The study was conducted on 85 FCD type II subjects and results are evaluated through 5-fold cross-validation. Using nnU-Net's flexible and robust design, this study aims to improve the accuracy and speed of lesion detection, helping with better presurgical evaluations and outcomes for epilepsy patients.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».