A 3D CNN Prediction of Cerebral Aneurysm in the Bifurcation Region of Interest in Magnetic Resonance Angiography
Notice bibliographique
Résumé
Quantitative vascular analysis involves the measurements of arterial tortuosity and branch angle in a region of interest in cerebral arteries to assess vascular risks associated with cerebral aneurysm. The measurements themselves are not a simple process since they are made on the three-dimensional (3D) structures of the arteries. The aim of this study was to develop a deep convolutional neural network (CNN) model to predict a probability score of aneurysm without direct measurements of the artery’s geometry. A total of 204 subjects’ image data were considered. In all, 585 gray-scale three-dimensional (3D) patches with the bifurcations near the center of the patches were extracted and labeled as either an aneurysm or a non-aneurysm class. Three-dimensional CNN architectures were developed and validated for the binary classification of the 3D patches. Accuracy, precision, recall, F1-score, receiver operating characteristics area under the curve (ROC-AUC), and precision recall AUC (PR-AUC) were calculated for test data. Deep learning predictions were compared with vessel geometry measurements. Deep learning probability scores were dichotomized into high-score and low-score groups. For both groups, bifurcation angles and sum-of-angles-metric (SOAM) were calculated and compared. ResNetV2_18 with translation as data augmentation achieved the highest mean ROC-AUC (0.735) and PR-AUC (0.472). The independent t-test indicated that for the bifurcation angle sum feature there was a statistically significant difference (t = −2.280, p-value < 0.05) between the low-score and the high-score groups. In conclusion, we have demonstrated a deep learning-based approach to the prediction of aneurysmal risks in the bifurcation regions of interest. Deep learning predictions were associated with vessel geometry measurements. This suggests that deep learning on 3D patches centered around the bifurcations has the potential to screen bifurcations with a high aneurysm risk.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».