VWV-SSL: Carotid vessel-wall-volume segmentation via sequence structural similarity and augmentation consistency-based self-supervised learning
Notice bibliographique
Résumé
Vessel wall volume (VWV) is a critical three dimensional ultrasound metric used to assess the progression and regression of carotid atherosclerosis. Ac curate measurement of VWV requires the segmentation of the media-adventitia boundary (MAB) and the lumen intima boundary (LIB) of the carotid arteries. Although deep learning methods can automatically segment the MAB and LIB and quantify VWV, they rely heavily on a large dataset with annotated images for training, which is time consuming and labor-intensive. Self-supervised learning (SSL) provides a possible solution to this challenge. However, existing SSL methods do not consider the similarities in the image sequences of 3D ultrasound. This paper proposes a novel SSL algorithm, named VWV-SSL, for 3D carotid ultrasound (3DUS) image segmentation to generate VWV measurement. VWV-SSL utilizes the sequence structural similarity and strong-weak augmented feature consistency of carotid ultrasound images to conduct the self-supervised task, which enables the networks to better learn the feature presentations of the vessel in the self-supervised task training. We applied VWV-SSL on the widely used 3D U-Net and evaluated it on 1158 3D US (579 of the common carotid artery and 579 of the bifurcation) from250subjects.Comparedtobaselinenetworks,our SSL method showed a significant improvement in segmentation performance when trained on a small number of labeled images (n = 15, 45 and 75 subjects). Moreover, the performance of VWV-SSL was superior to that of state-of-art SSL algorithms. These results indicate that our method can improve the performance of 3D U-Net when trained on a small number of labeled images, suggesting that VWV SSL could be applied in clinical practice to monitor the progression of atherosclerosis.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».