Comparison of Modern Convolutional Neural Networks for Segmentation of Vascular Defects in Ventilation/Perfusion (V/Q) Scans
Notice bibliographique
Résumé
Interpretation of ventilation-perfusion (V/Q) scintigraphy, primarily used to diagnose pulmonary embolism (PE), requires identification of V/Q mismatch defects, which is prone to interobserver variability. To overcome these challenges, we investigated three AI models for automated segmentation of vascular perfusion defects in planar V/Q scans and compared their performance with human annotators. We trained and validated three 2D neural networks models (a nnUnet, SwinUnet, and Bottleneck Transformer Unet [BTUnet]) on 1,313 patients and 329 patients, respectively. These data were previously annotated for V/Q mismatch defects by nuclear medicine physicians. Training was accomplished by minimizing a combined cross-entropy and Dice loss. BT-Unet featured a lightweight transformer within the U-Net bottleneck. Performance was measured on 46 high probability patients according to the original clinical report via Dice score and freeresponse receiver operating characteristic (FROC) curves relative to annotations by 8 readers. Segments whose centroid were within 1.95 cm of the ground truth were scored as true positives. BTUnet, SwinUnet, and Unet mean ± std Dice scores were$0.51 \pm 0.37$,$0.48 \pm 0.39,0.48 \pm 0.40$, respectively. FROC analysis showed large inter-observer variability among readers with BTUnet the only machine observer performing on par with human readers. Machine observers can provide rapid and consistent segmentations consistent with that of experienced human readers, potentially enhancing diagnostic efficiency and supporting non-expert readers for evaluation of$\mathbf{P E}$.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 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 | 0,000 |
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 ».