Optimising neural networks for perforator detection in DIEP flap breast reconstruction using dynamic infrared thermography
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breast reconstruction following mastectomy is increasingly performed, with Deep Inferior Epigastric artery Perforator (DIEP) flap surgery considered the gold standard. Accurate preoperative perforator selection is vital to minimize complications and operative time. While computed tomography angiography (CTA) remains the clinical reference, drawbacks including radiation, contrast use, and cost motivate exploration of non-invasive alternatives. Dynamic Infrared Thermography (DIRT) offers a low-cost, radiation-free method but still lacks automation. This study evaluates deep learning for automated perforator detection in DIRT. A dataset of 50 time-lapse thermograms from five patients was acquired using various cooling methods and validated through leave-one-out cross-validation (LOOCV). Two neural network architectures were compared: a standard U-Net and a modified U-Net (mU-Net) from prior work. U-Net consistently outperformed mU-Net. Across LOOCV folds, U-Net achieved a mean weighted Dice loss of 0.42 ± 0.09, sensitivity of 0.87 ± 0.08, and precision of 0.82 ± 0.14. On an independent test patient, sensitivity remained high (0.88) but precision decreased (0.58). The mU-Net failed to converge (validation loss 0.87 ± 0.02), producing uniform segmentations. These findings demonstrate that U-Net is a robust tool for automated perforator detection in DIRT, though false positives highlight the need for larger datasets and further optimisation before clinical use.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle