Automated Placental ROI Selection for Quantitative Ultrasound Analysis Using Boundary-Aware Thresholding
Notice bibliographique
Résumé
Quantitative ultrasound (QUS) analysis of placental tissue holds significant promise for evaluating pregnancy health and detecting placental pathologies. However, widespread clinical adoption of QUS is limited by the need for manual selection of a proper region of interest (ROI) for the calculation, which increases the analysis time and introduces operator variability. This study presents an automated ROI determination method that uses deep learning segmentation directly on minimally processed raw radio frequency (RF) data (along with corresponding B-mode data for comparison) to replace manual ROI selection in placental QUS analysis while also taking advantage of the model's internal confidence thresholds to reduce inclusion of nonplacental tissue near ambiguous tissue boundaries. Using a diverse, multinational dataset of 1084 annotated ultrasound images, the proposed automated ROI model achieved a mean dice similarity coefficient (DSC) above 0.8 for confidence thresholds between 50% and 75%. At thresholds above 75%, precision improved, but both DSC and recall performance declined, and the amount of placental tissue identified for an accurate QUS calculation fell below the minimum required ROI size. Bland-Altman analysis showed tight agreement between the QUS values derived from ground-truth ROIs and automated ROIs up to a 75% confidence threshold, but reduced agreement at higher thresholds consistent with reducing the placental pixel area for below the minimum. These findings demonstrate both the feasibility of automated ROI determination and the need for careful consideration of the confidence thresholds when assessing model performance.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 | 0,001 |
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 ».